生化需氧量（BOD）是评价污水是否净化达标的重要参数。然而,常规检测方法反应时间久无法满足工程需要。使用全互连神经网络对出水BOD进行预测能有效解决上述问题。但是,由于污水处理过程参数多、高度非线性等因素影响着全互连神经网络对出水BOD的预测精度。为进一步提升出水BOD预测精度,文中提出了模块化神经网络（MNN）出水BOD预测算法,实现了对出水BOD的精确预测。主要研究内容有:（1）面向污水处理工艺的数据预处理研究。通过分析污水处理系统相关工艺与机理,为提高建模数据质量,通过三步法:Z-score法剔除异常数据点;使用相对标准偏差挑选出噪声数据并进行降噪;数据归一化消除量纲影响。完成系统规范的数据预处理,为后续建模创造了基础条件。（2）模块化神经网络设计研究。首先引入“模块化”设计理念,使用互信息与专家知识根据数据相关关系确定模块个数,并分析各模块特性将径向基函数（RBF）神经网络与长短期记忆（LSTM）神经网络作为子网络;然后通过误差反馈与敏感性分析法改进RBF子网络使其能动态调整（AD）网络结构,利用模态分解与检验方法（CEEMD）降低LSTM子网络对应模块内数据复杂程度以提高LSTM子网络精度,并使用粒子群算法（PSO）优化子网络;最后结合算法时间与空间复杂度设计出竞争输出评价指标用于计算各子网络的输出优先级,模块化系统由此获得优先级最高子网络的输出作为全系统的输出。仿真实验表明改进后子网络精度提升近20%。（3）基于模块化神经网络的出水BOD预测模型研究。使用实际污水处理数据建立出水BOD的预测模型,通过三步法对污水数据进行预处理,然后使用模块化神经网络进行训练与预测。实验结果表明:本文算法的综合预测性能较其他先进神经网络预测模型具有显著优势,与更高的预测精度。（4）出水BOD信息-物理预测系统开发。面向污水处理厂的运行实际,基于信息-物理系统的概念与框架,设计了移动端与Web端应用,包括天气预报模块、出水口监测点模块、进水口监测点模块、运行模块等模块,实现了出水BOD的实时预测与污水处理系统的数据化管理。