室内环境是人们生活中接触最频繁的生活环境之一，良好的室内环境可以潜移默化地使人们精神愉快放松，注意力集中，从而提高办事效率。相反，冷热不均的室内环境会使人焦躁不安，难以静心，甚至影响到身心健康。因此，室内环境的舒适程度越来越受到人们的重视。快速准确地对室内环境舒适度作出客观评价是改善和控制室内环境的研究基础，也是最大程度的发挥节能减排、降低能耗的研究前提。本文主要是针对室内环境中的热环境展开系统研究，首先介绍了国际上统一用于评价室内热环境的预计平均热感觉投票(Predicted Mean Vote)，简称PMV指标，以及用于计算室内舒适度的预计热指标PMV方程，但该方程涉及参数较多且有些参数不能直接测量获得。因此，通过公式转换来降低方程的复杂度，获得了评价室内热环境舒适度的四个热环境变量（空气温度、相对湿度、空气流速及周围表面平均辐射温度）和两个人为因素(人体新陈代谢率和服装热阻)。其次，在室内热舒适度的评价方法上，区别于传统的公式迭代计算方法来确定PMV指标值，本文分析了神经网络与舒适度评价之间的联系，探讨了BP网络和RBF网络在舒适度评价上的应用，建立了舒适度评价仿真模型，实验结果表明，RBF网络的输出精度高于BP网络，因此，引入了遗传算法优化BP网络的初始权重和阈值，优化后的GA-BP算法达到了较好的预测精度。再次，本文引入了模糊系统的方法，并结合神经网络方法，提出了将自适应神经元模糊推理系统方法（简称ANFIS）应用于室内热舒适度评价建模上，该方法能融合神经网络的学习能力和模糊系统的推理能力，使得模型预测能力更加准确，实验结果表明，ANFIS网络取得了良好的预测精度。最后，本文对四种实验模型的结果进行讨论和比较，分析了三种原模型的自身优缺点，以及应用在舒适度评价上，三种原模型在训练时间和模型精度上各自的优劣势，比较结果表明，RBF网络和ANFIS网络都取得了相似的预测精度，BP网络精度较差，而在训练时间上，RBF网络花费的时间最短，ANFIS网络由于包含众多模糊规则而导致网络训练速度较慢。优化后的GA-BP算法能快速收敛，提高了BP网络模型的精度，但花费的时间较大。