污水处理的整个过程是一个非常典型的复杂动态生化反应系统，它具有非线性、时变性和不确定性等特点，很难用传统的数学方法建立相对精确的数学模型，而一些仪器仪表的测量过程严重滞后于污水处理系统生化反应过程，以及污水厂恶劣的工作环境都增大了污水处理软测量模型的建模难度。近年来随着智能控制的发展，利用软测量技术对污水处理生化反应过程进行智能化建模是解决此类难题的一个重要突破口。　　本课题旨在通过软测量技术对污水处理生化反应机理的数学模型进行创新性建模。研究在核主元分析（KPCA）、小波神经网络（WNN）和集成学习理论的基础上进行建立软测量模型，再结合自确认传感器中故障诊断、数据重构等技术的思想理念，实现一种创新型的自确认软测量模型构造技术。首先采用改进的模糊均值聚类(FCM)算法对采集到的数据样本进行分类，其次将子类样本数据输入到对应的各个子模型中，每个子模型都包含了数据预处理和局部WNN模型，利用KPCA和Jolliffe参数相融合的方式对子类数据样本进行相应的数据预处理，将高维输入数据降到低维并输入到WNN模型中，这样就可以大大降低神经网络处理数据的复杂性和计算量。同时，用 Jolliffe参数与KPCA相结合的方式对样本数据进行离群点检测，来保证WNN模型的输入数据足够纯净，从而提升WNN模型的预测能力。最后利用最小二乘法（PLS）对各子模型的预测结果进行合成作为集成学习软测量模型的输出。　　由于传统的软测量模型只有一种输出，即模型预测值，单一地使用一种预测值对整个系统的控制及校正会显得力不从心，结合自确认传感器技术，利用KPCA对输入传感器数据进行在线校验和故障重构，创新地使用传感器状态、不确定度、仪表校验值和预测值四种输出，再融合集成学习，实现建立污水处理自确认软测量模型。最后将自确认软测量模型拓展到基于组态王软件和SIMATIC PLC硬件的污水处理控制系统方案中，并应用在某污水厂的运行中以实现模型的评估与修正。以此来提高污水处理的效率，改善人居生活环境。