生物质气化是一种将生物质转化为清洁可燃气体的经济高效工艺,气化炉的设计与控制对提升气化性能起着重要的作用。传统设计与控制方法多采用理论计算和大量试错,但这种相对固化的模式得到的结果难以与气化原料达到最优匹配,也难以满足用户侧的多目标需求。针对以上情况,本研究提出一种反向设计理念,从目标需求出发,利用气化模型和智能算法对生物质气化炉进行设计与过程控制,主要成果如下:首先,利用气化模型建立设计（控制）变量与设计（控制）目标间的映射关系。将热力学平衡模型与人工神经网络模型耦合,建立用于工艺设计的气化稳态模型（T-ANN模型）,与传统理论模型和经验模型相比,T-ANN模型具有更高的预测性能和鲁棒性,可达到94.93%的预测精度,其中气化温度对预测精度的贡献最大（＞15%）。利用深度学习技术,建立用于气化过程控制的深度神经网络（DNN）模型和长短期记忆网络（LSTM）模型,对比两模型的预测精度与时间成本发现,DNN模型的计算时间更短,LSTM模型对不同输出变量的预测更加稳定,误差均在10%以下。开发生物质气化工艺反向设计方法,利用T-ANN模型精准预测气化产物,并用第二代非支配排序遗传算法搜索气化炉最优设计参数。对200k W生物质气化炉的21个不同需求案例进行设计。结果表明,相较于试错设计,反向设计的计算量减少了96%,相较于半经验设计,反向设计得到的结果中,产气热值平均提升6.95%,产气率平均提升1.9%,气化效率平均提升8.3%。进一步利用模糊优选法和聚类分析法对反向设计方法进行改进,得到体现设计者偏好的设计变量和设计目标区间值。建立生物质气化炉反向控制系统,利用模糊控制方法动态优化模型预测控制（MPC）系统中的成本函数权重和预测时域,并对75k W的并流固定床气化炉进行模拟仿真。结果显示,成本函数权重与预测时域仅对部分控制输出变量有较明显的影响规律,与传统MPC控制系统相比,反向控制系统计算量减少约50%,负荷跟踪误差更低（小于10%）。同时,对于进气量和进料量的波动性以及产气热值和气化温度的优化方面,反向控制系统也具有明显优势。