电化学水处理技术具有污染物去除效果好、环境适应性强、无二次污染等优点,在废水处理领域得到广泛关注,然而能耗较高的问题限制了其在工程中的大规模应用。作为机器学习的重要分支,深度学习可以构建复杂系统中输入数据与输出数据之间映射关系,提取数据内在特征,实现网络整体优化,对复杂系统强大的在线学习能力使得深度学习方法在废水处理领域得到越来越多的关注。理论上,使用深度学习方法能够通过优化电化学系统工艺条件,从而增加可调控电化学系统去除废水的电流效率,以实现减少能耗的目的。然而,深度学习在电化学技术领域主要集中在电极材料制备和优化,对于其在电化学水处理领域应用的报道不多。针对以上不足,本课题选择预测精度较高的反向传播神经网络（Back Propagation Neural Network,BPNN）模型,以电化学法去除无机和有机污染物为应用场景,开展BPNN模型机器学习方法应用于电化学水处理过程的预测与优化的试验研究。论文重点探究了电化学法去除污染物效果、BPNN模型建立、效果预测以及电化学系统的智能调控策略,并对该策略进行了指数评价和分析。首先,论文开展BPNN模型机器学习方法应用于电化学法去除无机污染物的预测与优化的试验研究。本文选择废水中常见的氨氮为无机污染物的代表,探究氨氮初始浓度、初始pH、电解时间、电流、氯离子初始浓度和搅拌速率对电化学法去除氨氮效果的影响,并将实验所得数据用于训练深度学习模型,以此建立了工艺参数与污染物去除率之间的映射关系,成功构建了相应的BPNN模型。与响应面模型对比发现,BPNN模型在预测精度和稳定性方面更具优势（R2=0.958 vs R2=0.8901）。基于BPNN预测模型改变供电模式,电化学系统去除氨氮的能耗由原策略的3.303 × 10-5 kWh降至2.047× 10-5 kWh,降低为原策略的62%,大大提高了电流利用率。根据BPNN模型预测所得智能控制策略,可以有效对抗水质波动,使出水污染物浓度维持在相对稳定范围,初步证实了基于BPNN模型的机器学习方法能够应用于电化学水处理过程的预测与优化。其次,论文开展BPNN模型机器学习方法应用于电化学法去除有机污染物的预测与优化的试验研究。本文选择染料废水中常见的甲基橙为有机污染物的代表,探究甲基橙初始浓度、电流密度、初始pH、曝气速率以及电解质投加量对电化学法去除甲基橙效果的影响。通过影响因素权重分析进一步完善BPNN模型的构建,并据此选择权重较大的一个或多个因素进行预测和智能控制策略制定等过程。结果显示,本文所构建BPNN模型在优化后具有精准的预测效果（R2=0.996,RMSE=0.016）。基于BPNN模型预测结果对电流条件进行调控,理论上可以将电化学系统能耗从3.789×10-3 kWh降低至2.405×10-3 kWh,为原策略的64%。与单因素（电流密度）调控相比,多因素（电流密度、电解质投加量）调控思路可以将电化学能耗进一步降至5.966× 10-4 kWh,为原策略的16%。面对水质波动情况,多因素调控思路所构建的智能控制策略可以维持稳定出水浓度,减少异常情况的负面影响,该结果进一步证实BPNN模型机器学习方法应用于电化学水处理过程的预测与优化方面的优势。最后,考虑到BPNN模型预测性能优劣及以此为基础的智能控制策略是否行之有效,是实际应用中备受关注的问题之一。本文综合考虑模型参数和工艺因素对预测性能及智能控制策略效果,提出一种构建BPNN模型性能评价体系的方法。研究结果显示,通过归一方法处理数据,加强评价的可靠性,对论文中所构建的BPNN模型和智能控制策略进行评价,在随机选择的预测条件下,本文中用于预测去除氨氮的BPNN模型在预测性能上略优于用于预测去除甲基橙的模型,性能数值（P）分别是0.919和0.917。在单因素与多因素智能控制策略的对比中,多因素智能调控策略P值（0.911）明显高于单因素智能调控策略（0.792）,其结果符合规律。评价系统的建立可以有效筛选可行策略,也为BPNN模型进一步优化提供方向。