城镇污水厂是重要的城镇基础设施,也是能耗密集型产业,巨大的能源消耗和较低的能源利用率已经成为污水处理行业不容忽视的问题。日益严格的环保要求和不断增长的污水处理量,给污水厂造成了更大的能源消耗压力,对于污水厂的运行管理方面提出了更高的要求。污水厂进水条件与操作参数相关联,根据进水情况采取实时测量,合理地分析和系统地了解污水处理厂能耗水平,优化控制管理策略,对提高污水处理效率、降低运行能耗、推动污水处理行业的可持续发展有着深远的现实意义。本论文针对进水关键性水质指标BOD5不能及时检测以及污水厂能耗分析过程中的随机性和模糊性,基于Levenberg-marquardt算法（LM）改进的BP神经网络、网格搜索法优化（GS）的支持向量回归（SVR）、粒子群算法（PSO）优化的SVR和遗传算法（GA）优化的SVR的机器学习方法,建立了进水BOD5软测量模型,同时提出应用云模型方法对污水厂的能耗进行分析,对不同进水水质、水量情况下污水厂的能耗进行分析和数据挖掘,帮助确定工艺运行控制策略的优化调整方向。根据建立的模型方法,本论文以黑龙江省某污水处理厂为例,结合污水厂的运行数据,进行了模型验证及可行性分析。首先进行了进水BOD5软测量模型的研究。由相关性分析,选择进水COD、SS、NH4+-N、TN、TP作为软测量建模的辅助变量,其次应用LM-BP、GS-SVR、PSO-SVR、GA-SVR方法进行了进水BOD5软测量模型的构建与训练。根据连接权值法对LM-BP的结果分析发现,对于进水BOD5的预测,最重要的进水指标是NH4+-N、COD和TN,贡献度最小的是TP和SS。在使用相同的训练集和测试集建模情况下,发现与BP网络相比,SVR模型具有更好的稳定性、泛化性,而且基于GA优化的SVR模型的综合性能最好,对应的训练集、测试集和总体数据集的相关系数分别为0.84,0.81,0.83,表明GA-SVR的进水BOD5软测量模型具有一定实用性,能作为硬件仪表的软冗余,为辅助优化污水厂的运行管理具有一定的作用。然后展开了基于进水条件聚类和云模型的污水厂能耗分析。基于进水水质水量数据应用主成分分析和K均值聚类方法,对污水厂进水情况进行了划分。基于能耗数据,根据双边约束和黄金分割率法,划分该污水厂的能耗为5个标准评价等级,明确污水厂能耗评价过程中云数字特征的物理解释,建立了能耗标准云模型。利用多步逆向云变换算法提取不同进水情况下对应能耗值的云数字特征,使用正向云变换算法模拟了各进水情况下的能耗分布,分析显示污水厂在进水浓度较低且进水量水量较小时能耗最高,且跨越四个能耗等级水平,表明运行管理整体上来说不是很合理。最终通过聚类方法找到了更优的能耗分布,相应的控制参数和运行策略可以作为污水厂调控的经验参考,指导污水厂的优化运行。