随着现代工业的迅猛发展，城市生活和工业污水处理成为环境保护领域的一个重要的课题。污水处理过程的生产条件恶劣，随机干扰严重，具有强非线性、时变、大滞后等特点，难以建立精确的数学模型，且关键水质参数无法在线监测，是一类典型的复杂过程。针对污水处理过程中关键水质参数无法在线监测的问题，本论文研究了基于优化神经网络理论的污水水质软测量方法。 首先在分析国内外有关软测量技术的基础上，阐述软测量技术主要研究内容、建模方法，并分析设计污水水质参数BOD的软测量实现技术。讨论神经网络建模方法、发展情况和应用中存在的问题，就建模问题，分析研究用于建模的BP(Back Propagation)网络的各种改进算法，针对BP算法始终无法克服陷入局部极小问题，提出用遗传算法优化BP网络的建模方法。 其次，针对标准遗传算法局部搜优能力差和易早熟的问题，对其进行了几点改进，提出了一种改进遗传算法，并用实验证明了改进遗传算法的优越性。改进遗传算法提高了个体多样性，较好地避免了早熟问题。 然后，设计了一套实用的遗传算法优化BP网络的实数编码方案，用改进的遗传算法对BP网络进行优化，根据具体情况构建适应度函数，设计算法流程。通过仿真实验，证明该优化设计建模方法是行之有效的。 最后，完成了污水水质BOD的软测量，实现了污水处理过程水质的在线检测。 本文将遗传算法和神经网络应用于污水水质的软测量，不仅有助于实现污水处理过程的实时闭环控制，而且对于其它复杂过程的系统建模、优化控制也有一定的参考价值。