目前使用最广泛的污水生物处理方法是活性污泥法,但是活性污泥法采用微生物的生理特性对污水中的有机物进行净化,在处理过程中生化反应极其复杂,系统呈现出高度非线性、时变、不确定性和时滞等特点,因此污水处理过程的建模十分困难。神经网络在理论上能够逼近任意非线性函数,能够提取非线性系统的动力学特性,在污水处理过程中得到广泛的应用。　　本文的研究工作主要围绕以下几个部分开展:　　1.在深入研究Elman神经网络结构和污水处理过程特性的基础上,对Elman神经网络结构进行改进,通过增加Elman神经网络输出单元yc(k),并将输出单元的输出反馈给隐含层和输出层,同时增加了承接层到输出层的输入,获得一种全反馈Elman神经网络。全反馈Elman神经网络将前一时刻隐含层的输出经过时间延迟单元再作为输出层的输入,使输入层的输入可以包含更多的动力学信息,并且将输出层的输出经过输出单元,反馈给隐含层和输出层,作为隐含层和输出层的输入向量。这种灵活的网络结构更加符合污水处理这种复杂系统的特性,使得全反馈Elman神经网络具有更强的学习能力和动力学表达,可以有效地应用于污水处理过程的建模。　　2.深入研究了粒子群优化算法(PSO),并从随机数取值对粒子运动轨迹的影响角度考虑,在得到单个粒子运动轨迹稳定收敛条件的基础上,提出了一种改进PSO算法(PSON)。将PSON算法与经典的线性递减PSO算法(PSOL)、带压缩因子的PSO算法(PSOC)进行性能对比研究。通过性能函数测试,提出的PSON算法所得到的全局最优值优于以上两种算法。并且PSON中收敛到全局最优的粒子个数较多,在有限次迭代中PSON算法的成功率要比其他两种算法高,PSON算法能够更好的避免陷入局部极小,搜索到全局最优解。　　3.将提出的PSON算法应用到全反馈Elman神经网络的权值训练,进而构建一种PSON-Elman神经网络,并将其应用到污水处理过程建模中,对关键出水水质COD建立模型,网络的输入选择对出水COD影响较大的MLVSS、进水COD、pH值、氨氮这四种指标。实验结果与BP-Elman、PSO-Elman网络进行了对比,结果证明:提出的PSON-Elman克服了PSO-Elman易于限入局部最优解的缺点,网络收敛速度快、函数逼近误差小,取得了比较好的建模效果。　　4.为了结合国内外仿真软件的优点,对污水处理仿真平台进行推广,在Visual studio平台下,通过C＃与MATLAB相结合的方法开发了污水处理仿真平台。该平台主要实现了污水处理工艺流程的模拟,可以针对不同的处理工艺进行仿真,仿真结果能够用图形表示;通过选择不同的模型,预测关键出水水质,并以图形模式输出;平台中预留了接口,使符合软件复用原则的其他模型或者控制策略都可以加载到软件中,实现软件的扩展功能。