随着我国对城市污水处理的净化标准的逐步提高,污水处理工艺的优化改造成为目前污水处理厂急需解决的重点问题。污水处理厂的污水处理工艺过程具有高度复杂性、不确定性以及非线性等特点,故对其出水水质进行预测并及时反馈和调整污水处理工艺参数,成为污水处理工艺优化改造的重要目标。为解决传统水质预测方法的预测精准度普遍偏低,且受到数据波动影响较大的问题,本文开展了基于主成分分析法—遗传算法—误差反向传播神经网络（PCA-GA-BP）的水质预测及污水处理工艺模糊推理研究,具体研究内容与取得的研究成果如下:（1）数据预处理及基于主成分分析法（PCA）的数据降维。针对数据缺失、噪音等会影响预测精度问题,首先,对收集到的原始水质数据进行预处理和水质因子之间的相关性分析;然后,运用PCA法将原始水质数据降维,提取主成分;最后,为了充分考虑每个数据在整体样本中的权重,进一步计算主成分得分值。（2）基于PCA-BP神经网络的水质预测模型研究。将PCA降维得到的主成分得分作为PCA-BP水质预测模型的输入,对#1号污水厂的出水TP浓度进行预测,并对比分析PCA-BP与BP模型的预测结果。结果表明:PCA-BP水质预测模型的预测效果优于BP水质预测模型;PCA在一定程度上能简化模型的建立过程,并提高模型的预测精度。（3）基于PCA-GA-BP神经网络的水质预测模型研究。为克服BP神经网络容易陷入局部最小值的缺陷,采用遗传算法寻找PCA-BP算法最优的初始权值和阈值,构建PCA-GA-BP模型。以#1号污水厂出水TP浓度为研究对象验证PCA-GA-BP模型的有效性,并与BP、PCA-BP水质预测模型对比分析。此外,为进一步验证PCA-GA-BP预测模型的普适性,还探讨了#2号污水厂出水水质的预测结果。结果显示:与BP模型和PCA-BP模型相比,PCA-GA-BP模型对出水TP浓度预测的各评价指标均有较大的改善,拟合度有明显的提高。由此可见,采用GA算法优化PCA-BP模型能够显著提升预测精度,所提出的PCA-GA-BP水质预测模型具有良好的可行性和适用性。（4）基于水质预测的污水处理工艺影响因素模糊推理模型研究。考虑到污水处理厂的出水水质与处理工艺之间的关联性,本文提出基于PCA-GA-BP水质预测的工艺影响因素模糊推理模型。通过分析污水处理厂的处理工艺与水质的影响因素,获得工艺参数与水质指标之间的映射关系,进而得到反馈推理的条件,并据此构建污水处理工艺影响因素模糊推理模型。根据PCA-GA-BP水质预测模型得到超标的出水水质预测数据,对模糊推理模型进行案例模拟分析,验证得到该模型具有良好的实用性。