木材含水率(Moisture Content,MC)作为木材能否长期稳定使用的工艺参数,同时又作为衡量干燥质量的标杆,是检验干燥过程好坏的重要指标。在木材含水率检测中,电测法因其方便性及高效性而被广泛应用于木材干燥实际生产中,但由于木材的含水率在纤维饱和点附近因木材物理特性会发生改变,驱使木材含水率呈现一种非线性的变化趋势,导致在此点附近的含水率测量会出现偏差,甚至是大幅度的失真。一旦数据发生偏差就可能导致干燥过程中出现失误,面对经济价值较高的木材时,如果出现失误不仅损失原材料,同时也浪费了加工时间,严重影响了生产的质量和效率。由此可以看出,加强对木材纤维饱和点附近含水率的检测是一项十分必要的工作。为了预测木材纤维饱和点附近的含水率数值,首选柞木和杨木作为研究对象,依据其干燥基准分别对其进行干燥过程实验,并采集分析影响木材含水率的实验参数(干球温度,湿球温度,材芯温度,风机速度等)。然后分别利用BP神经网络、蚁群算法和改进的蚁群算法进行参数优化和木材含水率的预测研究,将预测结果与称重法所得的实际含水率数值做对比,分析预测误差及算法运行时间,从而讨论三种算法对木材含水率的预测效果。文中主要选取的分类预测算法-蚁群分类算法Ant-Miner是一种可以和经典的分类算法相媲美的分类技术,它基于群智能中的蚁群算法。然而,Ant-Miner没有充分利用蚁群的思想,并且它的启发式策略包含有局部信息。与蚁群算法不同,Ant-Miner的启发式函数值随着算法的运行而不断发生变化,增加了算法的计算复杂度。为了提高Ant-Miner处理数据的效率,采用了一种改进的蚁群分类算法mAnt-Miner+。该算法借鉴了mAnt-Miner的多蚂蚁构建蚁群的思想,并使用了一种新的启发式策略。通过木材含水率预测的仿真结果表明,mAnt-Miner+在不影响预测精度和规则简单性的情况下,提高了运行效率,与Ant-Miner相比降低了预测的误差,提高了算法的预测精度,具有较高的工程实用价值。