氢气作为清洁可再生能源的良好载体,具有替代传统化石燃料的潜质。氢能有着广泛的使用范围,它不仅可以作为化工企业、制药企业等的常用原材料,同时也可以作为氢能燃料电池汽车的燃料来源。但氢能的大规模应用目前在氢能的制取、纯化和储运等诸多方面还受到制约,特别是氢气的纯化与其它各个环节密切相关,对氢能利用系统的安全、高效、可靠、耐久性具有重要的意义。作为气体分离技术,变压吸附（Pressure Swing Adsorption,PSA）是去除混合气体中杂质和纯化氢气的重要方法之一。目前已经有很多的吸附平衡理论被提出,这些理论可以对不同实验工况下的吸附等温线进行方程拟合,直接运用这些基本理论构造的吸附等温线预测气体在不同实验工况下的吸附量时,结果并不理想,比如Langmuir（朗缪尔）吸附平衡理论。因此为了构建一个合适的吸附等温模型,本文以Langmuir吸附平衡理论为基础依次推导衍生了Sips等温模型、Toth（托特）等温模型以及应用于多组分的扩展Langmuir等温模型、扩展Langmuir-Freundlich（朗缪尔—弗罗因德利克）等温模型等。本文研究了单组分（CO₂、CO、N₂、CH₄、Ar、H₂）在活性炭和沸石LiX吸附床中的吸附等温线。分别在293K、308K、323K三种温度下和0¹.0 MPa压力范围内测量吸附等温线数据。将实验数据与Langmuir、Sips、Toth等温线模型仿真结果进行了对比。然后根据参考文献中提供的吸附等温线数据,训练人工神经网络（Artificial Neural Nerwork,ANN）模型,并预测吸附等温线。主要对H₂CO/CH₄在活性炭吸附床和沸石吸附床上吸附等温线进行研究。吸附过程中的穿透曲线指的是以气体流出时间为横坐标,吸附床出口位置气体浓度为纵坐标得到的一种浓度变化曲线,穿透曲线对于吸附分离技术和表征多孔材料的性质具有重要意义。层状床在氢气纯化PSA工艺中得到了广泛的应用,与单一吸附剂的吸附床相比,层状床具有更好的氢气纯化性能,在本文中研究了基于活性炭/沸石5A层状床的穿透曲线。为了利用人工神经网络获得预测穿透曲线的最优数据,本文在Aspen吸附软件中运行PSA循环模型。通过文献实验数据对PSA模型进行了穿透曲线验证。然后基于验证的PSA循环模型得到一个数据集,来训练用于预测穿透时间的ANN模型。吸附压力、进气流率和吸附时间等因素对PSA循环性能产生的影响是本文重点研究和优化的对象。通过采用三层前馈—反向传播神经网络作为替代模型,对PSA循环性能数据进行非线性捕获。人工神经网络架构是由一个输入层、一个输出层和一个隐藏层组成的。设计好网络结构后,利用样本数据集对神经网络进行训练。通过对结果的研究,来确认神经网络模型是否适用于PSA循环性能的分析与预测。本文对不同氢气混合气组成、吸附床结构和PSA运行参数对氢气纯化性能的影响进行了研究,并基于人工神经网络模型和多目标优化函数,进一步提出氢气纯化PSA系统的优化设计准则,这些对提高PSA纯化性能具有十分重要的理论意义和实用价值。