目前为了解决燃用地方廉价劣质煤炭和污染超标问题,为了满足集中供热的需求,国内已经建成和将要建设一大批中小型的循环流化床锅炉热电厂。由于循环流化床锅炉燃烧效率普遍高于普通链条炉,煤种适应性相对较宽,环境效益好,且负荷调节比大、不易灭火、供汽稳定,因此受到用户欢迎。而我国循环流化床锅炉的控制虽然采用DCS控制系统,但由于其燃烧过程复杂、影响因素多,使得燃烧系统难以获得正义上的“自控”。针对此种情况,本文着重研究了燃烧系统辨识模型的建立及其仿真,从而为先进控制策略的研究提供了可靠的依据。本文通过对循环流化床锅炉特点、燃烧过程机理及控制目标的分析,确定锅炉燃烧系统是一个多变量、大滞后、强耦合的系统,其输入量为给煤量、一次风量、和二次凤量,输出量为主蒸汽压力、床温。由于循环流化床锅炉燃烧过程较为复杂,同时对象特性多变,机理建模有着较大的困难,同时也比较难于取得比较理想的控制效果；因此我们可以通过系统辨识的方法来建立循环流化床锅炉的动态数学模型,建立一个可修正、可拓展的“黑箱”模型。而人工神经网络具有逼近任意非线性函数的能力,为多输入多输出的非线性系统提供了一种通用的建模方法。我们只要关心模型的输入变量和输出变量的关系。神经网络就是根据系统的输入数据和输出数据,不断地对网络权值进行修改,从而实现从输入参数到输出参数的非线性映射关系。因此,论文根据昆明景谷纸厂生产的实际台帐数据,以MATLAB神经网络工具箱为工具,重点建立了锅炉燃烧系统的动态BP网络模型并用实际生产数据进行仿真。如果采用静态BP神经网络模型的话,在工况发生较大变化时,就无法准确反映输入和输出的关系。这样的话,为了能够对输出做出较好的预测,就必须为BP网络引入动态的特性。通常的做法是引入数据的历史信息,和当前输入共同作用于网络的输入端,从而对实际系统做出准确地预测。仿真结果表明,该模型具有较高的精确性和拓展性。