污水处理过程具有强非线性、时滞、大惯性等特点。污水处理控制系统持续稳定的运行是确保水质的关键,但系统控制所需的一些水质参数检测设备价格昂贵且在线检测实时性差,因此软测量研究在污水处理中很有实际意义。本论文的研究基于与某知名环保科技公司联合承担的安徽省科技攻关重大项目。文章基于最小二乘支持向量机(LS-SVM)方法对污水处理过程的关键水质参数预测进行研究,建立了曝气生物滤池(BAF)污水处理出水COD(化学需氧量)浓度软测量预测模型。出水COD浓度参数的预测为出水水质是否达标提供了提前预判依据。研究内容主要包括:首先,文章选择多项式核、RBF核和Sigmoid核组成混合核函数,并提出用单核LS-SVM建模均方误差确定组合核函数系数,建立了基于改进混合核函数LSSVM的出水COD软测量预测模型;其次,运用改进核模糊C聚类算法对采集的现场数据进行分类划分、子类建模再融合输出,建立了基于改进聚类算法的多模型混合核LS-SVM出水COD预测模型;然后,应用多模型方法对推导的BAF污水处理简化机理模型出水COD预测偏差进行误差补偿,建立结合BAF机理的出水COD混合多模型预测模型;最后对本文的研究内容进行总结,指出不足之处,并提出展望。仿真对比结果表明,以上改进的预测模型确实提升了预测精度。本课题的贡献在于:提出一种混合核函数系数的确定方式,改进聚类有效性函数,建立了基于改进聚类算法的多模型组合核LS-SVM出水COD预测模型,并提出一种结合推导的BAF机理模型的混合多模型出水COD浓度预测方法,实现了对出水COD更准确的预测。