研究MBR膜通量进行膜污染预测是当今污水处理研究领域的重要课题之一。针对MBR膜污染因子较为复杂且各因子之间相互交叉，首先用主元分析法实现输入变量的降维和去相关，求出影响膜污染最为明显的三大因素:混合液悬浮固体、总阻力和操作压力，接着用BP神经网络建立这三大参数与表征膜污染程度大小的膜通量之间关系的MBR智能仿真系统模型。由于BP神经网络采用梯度下降法，因而不可避免的存在网络训练速度慢，对初始权值阈值敏感，容易陷入局部极小点等缺陷，而遗传算法具有全局寻优能力和初值无关性，具有较快的收敛速度，可防止陷入局部极小的优点，因此本文接着用遗传算法优化BP神经网络的初始权值阈值，建立基于GA-BP网络的MBR膜污染预测模型。　　 但由于GA-BP算法是建立在BP网络的基础上，如果BP网络建立的不好，即训练样本的选择、隐层节点数的确定不合理将会使GA不能很好的优化，且BP神经网络是建立在大样本的基础之上，而MBR膜通量预测的样本数目是有限的，因此针对MBR膜污染数据的小样本、非线性特点，最后引进支持向量机法，同时为避免人工设定参数的盲目性，同样采用遗传算法优化支持向量机的有关参数，建立了基于GA-SVM的MBR膜污染预测模型。　　 实验研究表明，在相同条件下，经过GA优化后的MBR膜污染BP网络模型对膜通量的预测效果明显优于未优化的BP网络的预测效果，说明MBR膜污染的GA-BP模型较BP网络模型更适合于模拟MBR膜污染过程。但是当引入支持向量机后，发现GA-SVM预测拟合效果相对是最好的，平均相对误差值仅为0.0267，与BP网络的0.0706以及GA-BP的0.0332相比，预测精度有了很大的提高。这证明对于小样本MBR膜通量数据，GA-SVM模型比GA-BP及BP网络模型更适合模拟预测膜污染过程。本研究可用来对膜生物反应器的优化设计和运行进行指导，对MBR实际工程应用有一定的指导意义。