模拟移动床（Simulated Moving Bed,简称SMB）是一种连续制备色谱技术,广泛应用于石化、制药和精细化工行业,以实现产物的高纯度分离。但SMB机理模型求解时间较长,难以应用于SMB过程的在线优化及调控。因此,本文构建机器学习模型替代SMB机理模型,以加速SMB操作参数优化过程,同时探讨利用深度学习模型实现SMB过程在线优化的方法。以具有线性吸附等温线的甜菊糖分离及具有Bi-Langmuir吸附等温线的萘酚对映体分离为模型体系,利用机理模型生成数据集,输入为各区带流量及切换时间,输出为萃取液口及萃余液口产品纯度。然后,分别通过支持向量机、k近邻算法、决策树、随机森林及神经网络等算法构建机器学习模型,实验结果表明随机森林模型和神经网络模型的预测精度较高,其在测试集上的平均绝对误差（MAE）分别低于0.19%和0.08%。最后,将机器学习模型用于SMB操作参数优化,发现神经网络模型的泛化能力更强,其优化结果与基于机理模型的优化结果一致。考虑到固定相在使用过程中的衰变,本文提出了一种基于深度学习模型的SMB过程在线优化策略,并以具有线性吸附等温线的甜菊糖分离为模型体系,通过模拟实验验证了在线优化策略的有效性。该策略的控制单元由两部分构成,模型参数估计器和操作参数优化器,模型参数估计器由一维卷积神经网络-长短时记忆网络模型实现,其输入为操作条件（各区带流量及切换时间）及一个切换周期内萃取液口和萃余液口的产物浓度变化曲线,输出为模型参数,包括亨利系数及传质扩散系数。操作参数优化器主要由神经网络模型构成,其输入为模型参数及操作条件,输出为萃取液口及萃余液口的产品纯度,基于该模型可通过优化算法快速获取特定模型参数下的最优操作条件。在运行过程中,当产品纯度因固定相的衰变而降低到要求纯度以下时,估计器预测当前模型参数并传递给优化器,优化器则给出当前状态下的最优操作条件,据此调整操作条件以实现产品的高纯度分离。两模型均在测试集上给出了较高的预测精度,一维卷积神经网络-长短时记忆网络模型预测各模型参数的平均绝对百分比误差（MAPE）均在0.2%以下,神经网络模型预测分离纯度的MAE均在0.04%以下。后续的模拟实验结果表明,在几种不同的固定相衰变速率情况下,基于深度学习模型的在线优化策略均能良好运行,维持产品的高纯度分离。