细菌觅食优化算法(Bacterial Foraging Optimization，BFO)是K.Passino教授于2002年提出的一种模仿大肠杆菌觅食进化理论的仿生学群智能优化算法。由于菌群算法具有步骤简单、鲁棒性较强、具有潜在的实践应用价值等优点，一经提出便受到了国内外研究者的广泛关注。本文在深入分析BFO算法的理论与特点的基础上，针对其存在的缺陷和不足，提出了相对应的改进算法，并将改进后的算法结合神经网络，分别针对不同的复杂工业过程进行了建模，具体内容可分为以下几个方面:　　(1)针对BFO中复制操作具有一定的主观性和不确定性，不利于寻找全局最优解的缺点，本文利用Logistic映射混沌性特点，提出混沌菌群算法(CBFO)来提高算法的收敛速度。将改进算法优化BP神经网络的权值和阈值，在深入分析延迟焦化生焦塔中生焦速率与生焦高度的关系后，建立基于CBFO-BP的焦炭塔生焦速率预测模型。经仿真验证基于CBFO-BP的预测模型能够较好的预测生焦高度，对提高生产效率有一定的实际意义。　　(2)借助模拟退火算法能够以一定的概率接受“恶化”解，全局收敛性强的特点，针对BFO算法易陷入局部最优，趋化操作中翻转方向不确定的问题，提出了模拟退火菌群算法(SABFO)。将RBF神经网络与模拟退火菌群算法相结合，构建了SABFO-RBF网络;在对甲醇生产过程的净化工序进行工艺分析后，建立基于SABFO-RBF的甲醇净化CO2含量软测量模型。仿真结果表明，仿真结果证明了基于SABFO-RBF的软测量模型具有更高的精度和更好的泛化能力。　　(3)借鉴遗传算法中杂交的思想，针对BFO中收敛早熟、不熟的收敛性缺陷问题，提出杂交菌群算法(HBFO)。以某化工厂氨合成装置为对象，分析了氨净值作为反映氨合成产率的重要指标，并提取建模相关变量。将HBFO算法优化模糊神经网络(FNN)的相关参数，建立基于HBFO-FNN的合成氨氨净值模型，结果表明HBFO-FNN氨净值模型能够准确的预测氨净值，体现出较好的泛化能力。