随着我国工业化、城镇化的进一步发展,建筑能耗的占比不断上升,建筑领域的绿色低碳可持续发展成为当前的关注点。建筑行业中空调能耗占建筑总能耗的三分之一以上,通过改善建筑设备和优化控制策略来降低暖通空调系统能耗被视为缓解能源危机和改善环境可持续性的一项重要举措。精确的建筑环境信息是确保这些策略成功应用的关键,对建筑环境的准确建模是获取这些信息的基础。由于建筑空调系统具有非线性、高耦合、大时滞和大惯性的特点,要实现对建筑室内环境的精确控制,在获取准确信息的基础上,还需对建筑环境信息进行预测。本文针对计算流体力学(Computational fluid dynamics,CFD)仿真实时性差的问题,提出了一种建筑室内温湿度场实时准确的能连网建模方法,并建立了一种改进的BP神经网络预测模型,实现对室内温湿度的同时预测和快速准确重建,为后续控制器的设计与优化提供了良好的基础。针对CFD虽然可以实现高精度建模,但计算速度慢,无法用于控制器的设计与分析,区域模型和多区域模型提高了建模速度,但精度较低等问题,提出了一种建筑室内温湿度场实时准确的能连网建模方法和室内温湿度能量节点的选取规则。通过引入本征正交分解技术(Proper Orthogonal Decomposition,POD)将室内温湿度场系统映射成为仅与POD模式系数相关的十阶以内的线性系统,建立线性随机估计和卡尔曼滤波模型以估计最优的POD模式系数,通过能量节点处实时采集的温度值和相对湿度值实现对室内温湿度场的快速重建。与Meyer R D提出的POD重建温度场的方法进行了对比并分析了重建场误差的分布,结果表明能连网建模方法具有良好的噪声抑制能力,建模精度更高,可以实现对瞬态和稳态温湿度场的高精度重建。基于建筑热传递原理的正向建模,虽然建模精度高,预测效果好,但需要大量详尽的建筑和环境参数且需要专家知识,在工程应用中受到限制。利用神经网络不依赖模型自身的特点和其强大的非线性逼近能力,提出了一种改进的BP(Back Propagation)神经网络预测模型实现对室内温度和相对湿度的连续预测。基于黔江卷烟厂温湿度检测系统采集的历史数据,以10分钟为预测间隔,研究了不同输入变量对预测精度的影响,测试了模型短期和长期的预测能力并对预测值与实际测量值进行了回归分析,实验表明改进的BP神经网络预测模型可以同时连续预测6小时的室内温度和相对湿度,72小时的室内温度。通过决定系数同类似研究工作的成果进行了比较,结果表明改进的BP神经网络预测模型在室内温度上的预测效果更好,对室内相对湿度的预测效果有待进一步地提升。