多层人工神经网络(ANN)能够以任意精度逼近非线性函数的特点,使得神经网路能很好地模拟非线性过程,并逐渐成为处理非线性问题的重要工具,越来越受到人们的重视。生物膜滴滤塔处理低浓度有机废气过程具有严重的非线性,参数的非线性度大,适合用神经网络对其过程进行建模。传统的BP神经网络采用的最速下降法训练神经网络,收敛速度慢,易于陷入局部最小。采用LMBP算法训练网络,收敛速度快,但是还是存在陷入局部最小的问题。遗传算法是一种全局最优算法,用它来训练神经网络的权值和阈值,能够避免网络陷入局部极小,实现全局收敛。本文对遗传算法的改进能够提高其收敛速度,并采用改进遗传算法(MGA)与LMBP算法相结合(MGA-LMBP),MGA-LMBP训练神经网络既能实现快速收敛,又能较好的避免陷入局部极小,利用已有的实验数据样本训练神经网络,取得了较好的效果。经典预测控制方法用于非线性过程有一定难度,而基于神经网络模型的预测控制方法则非常适用非线性过程的预测控制。本文建立了基于神经网络模型的生物膜滴滤塔降解甲苯过程多变量多步预测控制器,控制变量为甲苯气体流量和循环液体流量,输出变量为甲苯降解效率。并对稳态的生物膜滴滤床降解甲苯净化效率的平行平板通道理论模型进行了多步预测控制的仿真研究,得到结果是,基于神经网络的预测控制能使得甲苯降解效率跟踪参考的齿形轨迹和正弦轨迹,五步预测控制较一步预测控制更能较好的逼近跟踪轨迹。最后,本文利用VC++设计了生物膜滴滤塔降解甲苯过程的基于神经网络模型的多步预测控制器。实现了神经网络的训练、过程动画监视、过程控制及算法参数的修改功能,并用ODBC进行数据库管理。