在大型预焙阳极铝电解生产过程中，电解温度是影响电解槽电流效率最直接、最重要的因素。由于铝电解槽中熔融态的电解质具有高温、强腐蚀性等特点，采用常规的热电偶测温方法存在设备使用寿命短、不能长期连续测量、使用和维护成本高等问题；改进的动态测温方法测量误差大，数据滞后太多，未能在工业现场得以推广应用。论文针对此问题，将基于BP神经网络的软测量技术引入到铝电解槽电解温度的预测中，以实现铝电解温度的在线检测。　　 论文定性分析了电解槽工作电压、出铝、换极、氟化盐添加、氧化铝下料、环境温度、阳极效应、保温材料等因素对电解温度的影响，并对其中的主要因素进行了半定量试验分析，确定了电解温度检测模型的辅助变量。用BP神经网络搭建了铝电解槽电解温度的预测模型，并在MATLAB上进行了仿真分析。　　 针对基于BP神经网络的电解温度预测模型存在的收敛速度慢、稳定性差和泛化能力弱的问题，采用局部模式下带惯性权重因子的粒子群优化算法对电解温度预测模型进行了优化。　　 研究及仿真结果表明，使用BP神经网络可以实现大型预焙阳极铝电解槽电解温度的在线检测；引入粒子群优化算法对BP神经网络进行优化后，模型的预测精度得到了明显提高。