污水处理是一个相当庞大且复杂的系统,其处理过程存在非线性、大滞后等特点,其中出水水质难以及时测量,这会导致污水处理厂控制不及时,污水处理效率低下。现阶段在污水处理过程中溶解氧浓度控制策略也相对落后,仍旧采用恒定控制方式,并且对于溶解氧浓度的控制,传统PID控制器对其控制效果并不理想。因此,本文针对以上问题情况展开研究,具体如下:（1）为了准确预测处理后的出水参数,本文针对污水处理过程建立预测模型,使用Pearson相关系数法选取相关水质参数作为辅助变量,然后在极限学习机（ELM）算法基础上引入了核函数,设计了有核极限学习机（KELM）算法并用于对出水COD（化学需氧量）、BOD（生化需氧量）进行预测,后续本文通过差分进化算法对其参数进行了优化。仿真结果表明,差分算法优化参数后的有核极限学习机预测模型预测精度最高。（2）曝气过程中溶解氧浓度的控制是影响污水处理质量的重要因素,针对现阶段污水处理厂仍采用溶解氧设定值恒定控制而导致出水不稳定、能耗较高的问题,本文提出对溶解氧浓度的设定值进行动态寻优处理,实现溶解氧浓度的动态调整,具体实现以差分进化算法为基础,以实现曝气能耗最低为目标,以出水水质参数（包括出水COD、BOD）达标为约束条件,优化溶解氧控制中的溶解氧设定值,实现溶解氧设定值的动态调整,进而达到溶解氧浓度的动态调控。最终实验结果表明,对溶解氧设定值进行优化处理后,能耗明显降低,出水质量也得到了提高。（3）在得到优化的溶解氧设定值后,需要对溶解氧浓度进行控制,使得曝气池中溶解氧浓度快速达到设定值,针对传统PID控制器在溶解氧控制中存在调节时间过长的问题,本文对PID算法做出改进,在PID算法基础上引入了神经网络,通过神经网络算法实现了PID参数的自调整,同时对神经网络初始权值阈值进行了寻优处理,进一步提高了神经网络的性能。仿真实验结果证明,经过改进后的PID控制器,超调量和控制时间均明显降低,控制系统在得到优化设定值后能够控制溶解氧浓度更加快速准确的达到设定值,提高了控制效果。