本文首先从实验数据分析的角度揭示了气-固循环流化床的两相流动规律。然后将基于分形理论的小波包消噪方法用于颗粒浓度和压力波动去噪，并对气固流化床中的颗粒浓度信号进行了小波多分辨分析和小波包多尺度分解，从新角度揭示了气固流态化系统的非均匀气固两相流动结构。最后建立了散式流化和聚式流化BP神经网络识别模型和循环流化床中的混沌时间序列的RBF神经网络预测模型，为流型在线识别和循环流化床系统的控制和预测等提供了新的方法。 实验数据分析表明，循环流化床提升管中气、固两相的局部结构是由稀相为连续相、浓相(颗粒聚集物)为分散相组成的。在径向分布上，颗粒浓度呈现中心稀，边壁浓的状态。在轴向上，颗粒浓度呈现上稀下浓的分布。气固两相流动沿径向的发展并不同步，而是一个由核心区向边壁区逐渐扩展，最终达到充分发展的过程，该过程主要受边壁区发展过程控制；相对于核心区，边壁区的发展不仅显著缓慢，而且受操作条件的影响也较显著。 气固循环流化床提升管的颗粒浓度和压力波动信号的去噪结果表明，基于分形理论的小波包去噪方法能有效地区分真实信号和噪声信号，去噪效果优于传统的傅立叶变换的滤波方法。小波多分辨分析法得到指纹图形象地揭示了颗粒浓度脉动的自相似、分叉等具有混沌特征的微观结构；小波分解后信号中的低频和高频成分分别代表了稀相和密相的脉动行为，小波包分解提取能量特征值的方法能够揭示气固的多尺度特性，不同尺度上的能量特征值四川大学硕十论文反映了气固循环流化系统中存在的非均匀动态时空结构。 散式流化和聚式流化的判别仿真实验表明，BP神经网络流型识别模型能够准确快速地识别这两类模型，识别的准确率高于传统判别方法。气一固循环流化床的颗粒浓度时间序列预测结果表明，小波、混沌和人工神经网络结合预测模型可有效地用于气固循环流化床局部颗粒浓度波动时间序列信号的短期预测。 上述研究结果丰富了气固流化床的研究方法，深化了对气固流化系统的认识，有助于进一步掌握流化床的气固流动行为和实际应用。