我国污水防治已从单纯改善水环境质量转变为水质改善、水资源保护、水生态保护与节能减排的有机结合,提高污水处理厂关键指标监测和能耗控制能力是实现水质改善、水资源保护、水生态保护与节能减排的有机结合的关键。然而,由于传统监测方法耗时长和自动化程度较低等问题,我国污水处理厂的关键指标监测和能耗控制能力相对有限,不能及时的根据污水关键指标的变化动态的调整工况,导致我国污水处理行业普遍存在高能耗、低效率的问题。为了提高污水关键指标的监测能力,同时确保在出水水质符合国家标准的情况下,实现对污水处理过程的能耗控制,将污水处理过程中的出水化学需氧量（Chemical Oxygen Demand,COD）和能耗作为研究对象,根据污水数据的时序特征,设计了基于混合神经网络的污水关键指标监测方法;通过对污水处理流程机理特点的充分分析,将混合神经网络预测模型与多目标蚁狮优化算法（MultiObjective Ant Lion Optimizer,MOALO）结合设计了能耗优化控制方法,在活性污泥水基准仿真平台（Benchmark Simulation Model no.1 platform,BSM1）上进行了验证。本文的主要研究内容如下所示:（1）针对污水数据存在的非线性和不确定性等特点,设计基于自适应混合粒子群算法（Adaptive Hybrid Mutation Particle Swarm Optimization,AHMPSO）和注意力机制（Attention Mechanism,AM）优化的长短期记忆（Long Short-Term Memory,LSTM）神经网络的出水COD预测模型。设计了一种AHMPSO算法用来对LSTM模型的隐藏层神经元个数和学习率进行寻优,通过引入带有随机因子的非线性变化惯性权重来提高粒子群（Particle Swarm Optimization,PSO）算法的全局搜索能力和收敛速度,并在搜索过程中加入混合变异策略,减少粒子陷入局部最优的风险。同时,为了提高预测的精度和模型的稳定性,引入了自注意力机制,采用变量加权计算的方法获取动态的数据特征信息,以此来提高LSTM神经网络学习数据局部特征重要程度的能力。实验结果表明,与LSTM模型、LSTM-AM模型、PSO-LSTMAM模型相比,AHMPSO-LSTM-AM模型在出水COD的预测上取得了更好的预测精度,具有更好的稳定性。（2）针对污水处理厂能耗较高,运行成本较大的情况,将AHMPSO-LSTM-AM模型与MOALO优化算法相结合,提出了基于MOALO优化算法的能耗优化控制方法。首先通过AHMPSO-LSTM-AM神经网络建立出水水质预测模型和能耗预测模型;然后以溶解氧和硝态氮为待优化参数,将出水水质预测模型和能耗预测模型作为MOALO优化算法的目标函数,求解待优化参数的最优值,将其作为比例积分微分（Proportion Integration Differentiation,PID）控制器的设定值;最后,在BSM1基准仿真平台上对该控制方法进行验证。仿真结果表明,与开环控制和固定设定值PID方法相比,本文提出的能耗优化控制方法能够确保污水水质在满足国家标准的前提下有效的降低能耗。