随着我国工业化和城镇化的快速发展,人们的日常生活废水以及工厂生产的工业污水排放量也日趋加大。采取科学有效的污水治理方法,强化工业废水的安全性处理,充分保证水资源的可持续利用,具有重要经济价值和社会价值。在污水处理的过程中检测一些关键的水质参数,并及时有效地调控,从而可以达到污水高效处理的目的是必不可少的一环。然而鉴于处理过程中存在大量工艺参数不易直接测量或测量成本较高的难题,软测量技术提供了可行的解决方案。本文主要做了以下工作:一、充分调研了污水处理的发展情况,描述了常见的污水处理方法,介绍了污水处理厂的水质参数,给出了软测量模型的构建步骤和数据预处理的方法。重点研究了基于变量重要性投影法（Variable Importance in Projection,VIP）的辅助变量选择方法,推导了算法的过程,介绍了本文使用的数据来源,给出了模型性能评价指标。二、分别研究和讨论了静态BP神经网络（Back Propagation Neural Network,BPNN）、RBF神经网络（Radial Basis Function Neural Network,RBFNN）和Elman神经网络（Elman Neural Network,Elman NN）模型,并将其应用于污水处理过程中关键参数变量的预测中。仿真结果表明,静态的BP网络模型由于自身结构的局限性,预测的结果与初始权值有很大关联,预测结果相对难以稳定,预测精度和相关性有很大的改进空间。RBF神经网络的参数确定之后,相比BP神经网络预测输出结果稳定,虽然仿真结果的相关系数提升,相关性增强,但预测误差也有所增大,没有全面改善模型的表现性能;而由于自身结构具有记忆反馈信息功能的Elman神经网络,则更适合处理这些具有动态信息的变量数据,仿真结果表明Elman神经网络比前向反馈神经网络无论在相关性和预测精度方面都有更佳的表现性能。三、针对Elman神经网络由于自身的结构会陷入局部极值,以及随机产生初始权值和阈值导致预测结果具有一定随机性的缺陷,分别研究了遗传算法（Genetic Algorithm,GA）、粒子群算法（Particle Swarm Optimization,PSO）、布谷鸟搜索算法（Cuckoo Search,CS）、灰狼优化算法（Grey Wolf Optimization,GWO）和引入差分进化算法（Differential Evolution,DE）改进的GWO算法,从而建立基于智能优化算法结合Elman网络的混合模型。研究了各个智能方法的算法原理、计算步骤以及参数选定问题,并讨论了各个智能算法的优缺点。将模型用于污水出水水质的检测,验证了智能优化算法的有效性。四、针对污水处理过程中,污染物质复杂多样,仅预测一种出水水质往往不能满足污水排放标准的问题,最后进行了多输出预测模型的研究。通过改变神经网络模型的输出节点结构,将上述优化算法通过适应度函数进行全局寻优,从而获取最佳解传递给Elman神经网络,最终建立起智能优化混合多输出软测量模型。将所建的多输出模型用于对出水参数化学需氧量（Chemical Oxygen Demand,COD）、固体悬浮物（Suspended solid,SS）和生化需氧量（Biochemical Oxygen Demand,BOD）的仿真预测,并将其结果与Elman网络模型进行对比。结果表明多输出模型的表现性能指标对角线均方根平方和（Root-mean sum of squares of the diagonal,RMSSD）和多重相关性（MR）方面均有所改善。