全球森林资源不断减少带来的环保和生态问题与人们对木材日益增长的需求构成了一对难以调和的矛盾。因此,如何有效利用有限的木材资源显得至关重要。降低木材资源消耗及提高木制品质量引起了人们的广泛关注。尤其像我国这样一个少林国家,如何更好地改善木材性能并提高其利用率已成为木材科学工作者研究的重点。木材干燥是改善木材物理性能、减少木材降等损失、提高木材利用率的重要技术措施,也是保证木制品质量的关键之一。干燥基准模型是描述温、湿度与木材含水率之问关系的模型,此模型的建立将会实现干燥基准的数学模型化及干燥过程含水率预测,为优化干燥基准提供了有力的依据。因木材是一种多孔性渗水和吸湿的物质,且水分存在于其中的形式又是多种多样,所以木材干燥过程是复杂非线性的,使得建立理想的、符合实际的干燥模型变得很困难。本文是基于神经网络理论和改进型遗传算法建立木材干燥模型。首先,采用BP神经网络建立木材干燥基准模型。设计了BP神经网络的结构并选取了适当的训练算法,通过实验数据进行模型的训练与验证,仿真结果表明所建立的模型有效,但该模型还存在着一些缺陷,如训练速度慢、全局搜索能力弱、网络的收敛性受初始值选择的影响较大等。其次,采用改进型遗传算法优化已建立的BP神经网络木材干燥基准模型。云模型是李德毅院士提出的一种定性定量转换模型,它在知识表达中具有不确定中带有确定性、稳定之中又有变化的特点,体现出了自然界物种进化的基本原理。基于云模型的改进型遗传算法就是利用云模型的优良特性,结合遗传算法的基本原理,得到的一种自适应、高精度、快速随机搜索的方法。该算法能很好的避免遗传算法易陷入局部最优解和早熟收敛等问题,并为解决BP网络存在的缺陷提供了一种新方法。本文对用改进型遗传算法优化后的模型也进行仿真研究,结果表明,该模型解决了BP网络中不同初始值训练出的网络存在较大差异的问题,并且较BP网络模型具有更好的收敛速度和误差精度,进而证明了基于云模型的改进型遗传算法应用于木材干燥的可行性和优越性。本论文的研究为木材干燥系统建模提出了一种新思路,为木材干燥系统的建立提供了一些有效的理论方法。