本论文针对传统粉尘检测中存在的问题,提出一种基于神经网络软测量的粉尘浓度检测新方法,对粉尘的研究具有重要的现实意义。首先,设计了一种新的变步长LMS算法来修改滤波器系数,更好地提高了低信噪比下算法的收敛性和稳态性能,实验和仿真结果证明该算法能很好地滤除静电信号中的随机噪声。其次,对滤波后的静电信号进行时频分析,提出一种改进相似极值的EEMD信号特征提取方法,并和EMD算法进行了仿真对比,通过静电信号的能量和能量熵值分析出静电信号的变化和粉尘浓度的变化趋势具有正相关性。然后,分别建立了 BP和RBF两种神经网络粉尘浓度软测量模型,根据实验和经验相结合的方法确定了两种模型的参数,构建出综合性能最优的模型。并通过分析比较和实验验证了 BP网络模型在训练精度与泛化能力方面略优于RBF网络模型。最后,采用改进遗传算子的遗传算法对BP神经网络粉尘浓度软测量模型进行优化和改进。实验和仿真结果证明模型优化后其收敛性能、运行时间和均方误差均得到了改善,提高了模型的精确率和效率,证明了基于神经网络的软测量模型对粉尘浓度进行监测的可行性。