随着人们生活水平提高,对高品质室内环境的需求逐渐加大。建筑空调作为营造良好室内环境的主要设备,其能耗也日益增加。独立新风空调系统（DOAS）在满足室内空气质量的同时,又能实现建筑节能的目标,逐渐被广泛应用。然而,由于DOAS采用独立的两套机组分别处理显热负荷与潜热负荷,空调运行策略的要求比常规空调系统更高,现有的空调系统总负荷预测控制方法难以完全满足DOAS高效运行的需求。对空调系统的热、湿负荷进行解耦预测是实现DOAS高效节能运行的有效手段。本文针对DOAS热湿负荷解耦预测展开研究,主要内容如下:（1）对DOAS的热湿成因以及负荷组成进行了分析,并以广州某DOAS辐射供冷实验舱为研究对象,采用Energy Plus搭建了DOAS系统,并在实验舱进行了实测实验,验证了Energy Plus DOAS模型的可靠性。采用Energy Plus模拟了广州供冷季节的DOAS运行负荷数据,为热湿负荷解耦预测提供了数据基础与输入特征。（2）搭建了长短期记忆神经网络（LSTM）模型、多元线性回归（MLR）、多层感知机（MLP）。利用广州供冷季节的空调负荷数据做训练与预测,采用评价指标对三种热湿负荷解耦预测模型的性能进行了对比分析。结果表明LSTM解耦预测模型表现最优,在总体预测结果上平均绝对误差（MAPE）分别比MLR、MLP降低了9.1%,4.8%。（3）融合不同神经网络结构的优势,在LSTM的基础上混合注意力机制（AM）与卷积神经网络（CNN）。所搭建的混合模型（AM CNN LSTM,ACL）提高对于负荷历史数据隐含特性的挖掘能力,并增加了对输入特征的权重分配能力。利用广州供冷季节的空调负荷数据做训练与预测,与LSTM进行对比MAPE降低了1.4%、RMSE降低了60W。误差对比分析表明ACL比LSTM更加稳定,最大误差降低了14%,证明了ACL解耦预测混合模型的优势。（4）搭建了Energy Plus与Python的联合仿真平台,利用ACL负荷解耦预测模型实现了在线监测控制。以广州地区夏季设计日为例对基于ACL负荷解耦预测控制进行了节能分析,结果表明该方法可以降低7.7%的耗电量。