“地大物博、人多水少”是我们的实际国情,随着社会的进步,水资源短缺、水环境污染、水生态受损这三大问题日益凸显。严峻形势下,我国大力发展再生水厂,高度重视污水的清理与循环利用。由于磷会造成水体富营养化,影响水生态系统的正常运转。国家出台政策将出水总磷的含量作为评价出水水质是否合格的重要指标。随着大数据时代的来临,人工智能等高新技术的飞速发展使再生水厂正在朝着更加智能化的方向发展。保证出水水质达标是再生水厂的基本任务,如何对出水总磷进行实时监测以及如何对化学除磷阶段投药量进行精确的控制则是当前科研人员需要研究的重点与难点。传统方法主要是通过人工采样配合化学分析对出水总磷进行监测,该方式耗时较长,结果往往存在滞后性、事后性。机理模型虽能解决离线时间长的问题但可移植性较差。数据挖掘技术可以对海量数据进行分析并对监测目标进行预测,有效的解决了滞后性问题。本文针对再生水厂出水总磷实时监测普遍存在的滞后问题,通过对PSO与ACO算法在数据处理上的应用特性进行研究,提出了一种能够实时预测出水总磷的PSO-ACO融合算法。该融合算法同时利用粒子群演算的强搜索能力与快速提取特性来获取一系列极值,并结合蚁群算法进行迭代,能够快速的在众多极值中找到最优解,该策略较大程度的提高了神经网络数据处理性能。最后通过对比PSO-ACO融合算法、粒子群算法、蚁群算法和BP神经网络的预测结果,验证了PSO-ACO融合算法在预测速度与精度上的优越性能。化学除磷过程在工艺流程以及监测设备的影响下会产生一定的时滞性,为了保证出水总磷达标,通常的做法是投加过量的除磷药剂,这样虽然可以保证出水水质达标,但药剂的冗余往往会对水资源造成二次污染。针对再生水厂化学除磷过程遇到的药剂过量投加问题,提出用出水总磷预测值代替仪器分析值作为化学除磷控制系统反馈的方法,该方法可以使控制系统克服时滞带来的影响并得到更好地控制效果。在simulink上搭建控制系统仿真模型并将优化前后的控制效果进行对比,仿真结果验证了优化控制系统的快速响应性能,该方法能够提高控制投药量的精度,有效避免投量过度而导致的二次污染问题。