目前中国水环境问题越来越凸显,污水处理已成为环保的关键举措。污水处理过程是一种典型的非线性、多变量、大滞后、时变系统,其关键水质参数的测量与控制是城市污水处理厂长期平稳、有效运营的关键前提。随着污水排放标准的不断提高,对污水处理操作和运行自动化提出了更高要求。因此对出水关键水质参数的实时监测,保证出水水质指标达到国家要求的排放的标准尤为重要。神经网络是近些年来建模的非常强大工具,因其具有很强的非线性映射能力,在污水处理过程建模研究中得到广泛应用。然而,由于神经网络的训练是基于经验风险最小化原则,容易产生过拟合和局部优化问题。另外单模型单个神经网络模型的性能是不稳定的,自适应能力差。再加上污水处理过程的工艺复杂,对出水水质影响重要变量较多,数据的维数高,这无疑增加了数据驱动建模方法的难度。采用集成方法提高模型的泛化性能,保证污水处理过程水质指标满足排放要求具有重要意义。因此本文基于城市污水处理厂的真实过程数据建立了随机配置网络SCN（Stochastic Configuration Network）作为基模型,采用集成的方法,建立污水水质软测量模型,以实现对污水水质指标的预测。本论文主要研究方向包括以下几点:1.针对单一水质模型精度不佳、泛化性有限问题,建立了一种基于Adaboost.RT的正则随机配置网络水质预报集成模型。该模型将L2正则SCN作为基学习器,通过Adaboost.RT算法不断更新的权重来训练基学习模型,然后采用加权策略将基学习模型集成得到一个强学习模型。对BOD5和NH4-N进行预测,结果表明,将Adaboost.RT集成算法与SCN相结合,在一定程度上可以克制过拟合的风险。建立Adaboost.RT-L2SCN的模型,预测模型泛化能力和拟合精度的均有一定提高,在污水水质预报上更具有优势。2.集成模型的预测精度依赖于基模型的准确性和多样性,基模型的准确性越高、多样性越大,则集成效果越好。用负相关学习可以产生差异较大的网络,因此本文采用负相关（Negative Correlation Learning,NCL）集成学习算法将相关惩罚项引入到SCN网络的目标函数中,与基模型L2正则SCN网络组合协同训练,建立了基于L2负相关SCN污水软测量模型对水质参数BOD5进行预测,结果表明,基于L2负相关SCN污水软测量模型比其他水质集成模型精度高。