水环境的污染加上水资源的匮乏,促使了污水处理的大力发展,使得建立一个可靠的污水处理系统,并对污水处理过程的各个重要过程参数进行监测和控制是非常有必要的。一来可以控制出水的水质符合指定的标准,二来可以对整个处理过程的能耗进行优化,节能减排。这两方面分别代表这两个非常重要的污水处理过程参数,出水COD和生化池DO,前者指出水的生化需氧量,而生化池的DO数值则代表着生化池进行有机物降解的程度以及鼓风机的能耗。本课题的目标就是建立一个为操作进行指导的模型来帮助在出水水质达标的前提下优化DO的数值,达到节能减排的目地。建立模型的方法可以分为机理模型和基于智能控制方法的黑匣子模型,前者需要对工艺过程很深的理解,后者只需要合适的样本输入输出数据。基于污水处理过程的复杂性,本文采用的是基于智能控制方法的建模方式。而其中以神经元网络和数理统计中的支持向量机为主。本课题的研究对象是城市污水处理过程中的A20工艺过程。首先对A20工艺污水处理系统的工艺流程和特点进行分析和研究,用BP神经网络和最小二乘-支持向量机分别对筛选处理过的数据进行建模和优化,之后,文章对比了这两种最受欢迎的智能建模方法,得出他们各自适用的污水处理过程。最后基于对上述两个单一模型理解的基础上,加上对污水处理系统多模型建模的可行性分析,提出了基于模糊C均值聚类的多模型建模方法。该种建模方法能够利用多种模型各自的优点,加快数据的预测速度,提高预测精度和泛化能力。