循环流化床烟气脱硫(CFB-FGD)技术是一项以循环流化床原理为基础,通过对反应产物和脱硫剂的多次利用,增加反应器内的物料浓度,延长反应时间,从而使脱硫剂的利用率和脱硫效率大幅提高的新型半干法烟气脱硫工艺,具有脱硫产物易于处理、设备占地面积小、运行可靠、操作维护方便、投资费用低等优点。我国的燃煤发电在电力供给中占80%以上。以煤为主的能源消耗结构导致了二氧化硫的大量排放,对我国生态环境造成了严重的影响。为研究适合我国国情的、具有自主知识产权的烟气脱硫技术,本文从机理角度出发建立了CFB-FGD数学模型,但由于CFB-FGD系统是一个非线性多变量复杂的系统,当前还未能完全掌握其复杂系统的机理。从机理角度出发建立的数学模型不能完全满足要求,从而导致了CFB-FGD系统的放大设计以及工业生产过程的指导仍然主要是基于经验性的。为了解决这一困难,本文采用基于粒子群优化神经网络的混合建模方法对CFB-FGD系统进行了建模研究。首先,通过对CFB-FGD过程运行规律的认识与分析,对CFB-FGD过程建立了数学机理模型,为检验过程模型的可行性,将建立的稳态机理模型的计算值与实际数据进行了比较,结果表明所建立的模型能够较好的模拟实际系统的稳态运行状态。其次,在粒子群优化(PSO)算法基本原理的指导下,分析了PSO算法易于收敛的原因。在此基础上提出了自适应粒子群优化(APSO)算法。对一系列经典函数仿真的结果表明APSO算法能够有效的避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。再次,在人工神经网络的模型及学习算法的基础上,重点探讨了APSO算法同时优化神经网络结构和参数的实现方法。将经过该算法训练的神经网络应用到过程建模,能够有效的消除冗余连接结构对网络诊断能力的影响。仿真研究结果表明,相比BP算法、遗传算法等其他算法,该算法能够有效的改善神经网络结构和参数的优化效率最后,在CFB-FGD机理模型的基础上,利用APSO优化神经网络算法,并结合机理模型,建立了CFB-FGD系统的神经网络混合模型,并对此模型进行了系统的研究。实验仿真证明：本文采用的混合建模方法对于CFB-FGD过程来说比单一的机理建模或其他智能建模方法更为有效。