污水处理系统是一个复杂的、影响因素非常多的生化反应系统,污水处理厂在长期运行中容易发生运行故障,如果这些故障没有得到及时恰当的处理,会导致一系列严重问题。运用机器学习与数据挖掘相关的算法,可以对污水处理系统的数据进行实时分析,准确客观地判断出污水处理过程的运行状态,及时诊断故障并处理,对于污水处理具有十分重大的意义。污水处理过程的故障判别存在一个重要问题,即正常状态和故障状态的数据是不平衡的,而大多的经典机器学习算法无法胜任不平衡数据的分类任务,往往将故障状态判别为正常状态,导致故障得不到及时处理,会对污水处理厂造成极大的经济损失。本文以污水处理为应用背景,针对污水处理过程的运行状态的数据不平衡的问题,以加权极限学习机和集成算法为基础,首先提出了一种基于加权极限学习机(Weighted Extreme Learning Machine,WELM)的集成算法模型AdaWELM。通过将WELM的样本权值设置与AdaBoost的样本权值迭代更新进行结合,在算法层面对现有的集成算法进行了改进。另外,利用极限学习机采用单隐层前馈神经网络,不需要迭代式的调整隐层节点的特点,极大的提高了集成算法的学习速度。使得AdaWELM在实现多个类别的不平衡数据分类任务的同时,提升分类效率。应用到污水处理过程故障诊断中,可提高不平衡数据的分类性能指标G-mean值、故障类的查全率以及诊断的实时性。然后,通过进一步对集成算法AdaBoost和加权极限学习机WELM的理论以及两者的结合机制的研究,提出了一种基于G-mean的加权极限学习机集成算法模型AdaGELM。以整体G-mean为训练目标,相比AdaWELM更加提高了污水数据故障类的查全率和整体G-mean值,诊断的实时性相当。最后,本文使用MATLAB软件设计了一个污水处理故障诊断研究平台,在平台上将经典的分类算法模型和本文提出的两种模型进行整合,并设计了完备的模型训练平台及在线测试平台,可以实现不同训练模型的参数保存、图像展示、性能对比以及污水处理故障诊断过程中的故障判别、故障恢复等,极大的方便了开发人员对于不平衡数据的分类研究和污水处理故障诊断的在线监测。