为了控制水质污染，必须寻找有效的测量方法实现对关键出水水质参数的测量。由于污水处理过程机理复杂，具有高耦合、大时滞和高度非线性的特点，因此传统的仪器离线测量结果不及时、不准确。必须通过建立污水处理软测量模型的方法实现关键水质参数的测量。在众多的软测量建模方法中，基于人工神经网络的污水处理软测量建模方法近年来应用广泛，理论颇为成熟，能够建立精确的复杂系统模型。针对以往的研究中，基于神经网络的污水处理软测量模型存在测量结果不够精确、测量水质参数过少的缺点，论文提出了一种基于集成神经网络的软测量模型，该模型能够实现多个水质参数的测量，精度较高。同时由于BP学习算法学习精度低、易陷入局部最小，以及集成神经网络模型自身较复杂的特点，论文中提出了一种适合集成神经网络的改进型混合粒子群算法来对网络权值进行训练。本论文的主要工作如下：1．提出污水处理过程软测量模型。污水处理过程软测量技术的关键是建立污水处理过程的软测量模型。论文所提出的软测量模型一共包括四个步骤，数据样本的采集、数据样本的预处理、数据样本的主元分析、神经网络软测量模型的建立。详细介绍了这四个步骤的实施方法。通过此四个步骤可以建立准确的软测量模型。2．提出集成神经网络软测量模型。出水化学需氧量(COD)，出水生化需氧量(BOD)，出水总氮(TN)，出水总磷(TP)是检测出水水质的四个关键水质指标，对这四个参数的测量有重要的意义。由于在污水处理过程中出水COD，出水BOD，出水TN，出水TP之间存在着很大的耦合关系，因此根据这四者之间的关系建立了一种多输入多输出的集成神经网络软测量模型。通过污水处理厂的数据仿真实验表明，该集成神经网络能够实现COD，出水BOD，出水TN，出水TP的测量。3．提出了一种改进型混合粒子群算法。论文中的集成神经网络模型采用BP学习算法对权值进行训练，取得的结果并不十分理想，因此根据集成神经网络的结构特点在基本粒子群算法的基础上，结合交叉、变异算子提出了一种改进型混合粒子群算法。性能函数的测试结果表明，该算法搜索成功率较高，能有效避免陷入局部最小。同时污水处理厂的仿真实验表明，基于改进型混合粒子群算法的集成神经网络软测量模型具有较高的测量精度。