随着国内对水环境保护越来越重视,污水排放标准相应提高,对污水处理技术和工艺提出了新的要求和挑战。同时,对污水处理的运行优化控制也有了更高的要求,尤其是对于连续流分段进水生物脱氮（CSFBNR）工艺这种系统组成单元较复杂的污水处理工艺。污水处理模型是污水处理工艺控制研究的一个重要部分。其中,RBF神经网络模型由于非线性映射能力强、训练速度快等特点而应用广泛。污水处理过程的神经网络模型的训练样本数据需要系统地、有针对性地进行采集,且需达到一定数量。由此可以看出,如果采样频率较小,神经网络模型从建立构想到收集足够的样本数据建立模型所经历的周期是比较长的,这也是神经网络应用于污水处理过程模拟研究中可以进行优化的。本论文通过结合插值法和RBF神经网络建立复合模型,在一定量的原始训练样本基础上,通过插值法对其进行虚拟地丰富,以满足RBF神经网络的训练需求。在一定程度上,在保证模型性能的前提下降低了模型对目标系统的样本采集数量的需求。在本论文中,先后采用了分段线性插值方法、分区一元Thiele向量有理插值方法和分区二元Newton-Thiele向量有理插值方法与RBF神经网络建立关于CSFBNR工艺的复合模型。模型的输出指标（即预测指标）为CSFBNR系统出水的COD、TP、NH3-N和TN,模型的输入指标为:CSFBNR系统进水的SS、p H、COD（原水）、COD（碳源）、TP、NH3-N和TN;反应池的T、MLSS;缺氧池的ORP和DO;好氧池的DO。基于CSFBNR工艺系统的样本数据,对比测试了RBF神经网络模型和3种插值法/RBF神经网络复合模型的性能。结果表明,分区二元Newton-Thiele向量有理插值方法和RBF神经网络的复合模型（Newton-Thiele-RBF模型）预测性能最佳,它的预测值与检测值相关性最强,对系统出水的COD、TP、NH3-N和TN的预测值和检测值的Perason相关系数R分别为0.838、0.854、0.932和0.954,拟合优度RNL分别为0.847、0.820、0.831和0.892,平均绝对百分比误差MAPE分别为13.5%、16.0%、19.4%和10.4%。Newton-Thiele-RBF模型能对CSFBNR工艺的连续出水指标进行一定程度的预测,对CSFBNR工艺日常运行控制有一定指导作用。基于Newton-Thiele-RBF模型仿真所设计的CSFBNR碳源投加量自控软件系统性能良好,可以对CSFBNR工艺环节的进水碳源投加量进行动态的指导,保障CSFBNR环节出水达到该环节要求,具有一定的实践意义。