生化处理是污水处理过程的重要组成部分,是通过微生物分解消耗污水中的有机污染物实现水质净化的目的。微生物的生物活性主要是通过曝气来维持,其中曝气过程电能消耗占污水处理总过程的60%～90%。如何在具有复杂性、非线性及过程高度耦合性的污水处理工艺中寻找能够保证处理质量及降低电能消耗的曝气策略极为重要。因此,本文主要围绕污水处理曝气过程的智能决策优化问题展开,从入水负载工况感知匹配、污水处理机理知识软测量模型建立以及带约束空间的全局智能寻优算法出发,提出了基于感知匹配-单目标预测-综合决策寻优的污水处理智能曝气方法,并面向实际污水厂的运行数据进行了应用研究。本文主要有以下几个方面的工作:（1）污水处理过程仿真平台的搭建。基于活性污泥法1号模型（ASM1）搭建了BSM1（Benchm Simulation Model No.1）基准仿真模型,在MATLAB环境下进行仿真验证。为后续的优化系统提供了仿真验证平台。（2）搭建污水处理过程智能曝气优化系统。综合对比BP神经网络、最小二乘支持向量机、支持向量机等智能回归预测算法对污水处理过程知识学习能力,利用BP神经网络搭建了处理过程能耗预测模型与出水氨氮预测模型;在粒子群优化算法的基础上引入惯性因子更新模块,并利用出水氨氮预测模型限制粒子针对最优溶解氧浓度设定值的寻优空间,利用多层感知机对入水工况进行分类,使用欧氏距离对工况进行匹配;使用BSM1仿真平台验证,优化曝气策略与原标准曝气策略相比,在出水水质相差不大的情况下（不到2%）综合节能9.17%。（3）研究优化系统在实际污水处理过程的可靠性。针对广东某污水厂历史运行数据完整性差、数据质量低及无用噪声多等问题,本文利用局部异常因子算法针对离群数据点进行检测与删除,有效降低了异常样本数据的数量;通过主成分分析算法针对可利用性低的无关指标数据集进行降维转化,能够有效降低预测模型的复杂度以及提高训练速度;借助滑动窗口滤波器对原始样本数据降噪,使其变得更加平滑,有助于提高学习机的学习性能;搭建并训练针对污水厂罗茨风机工作频率及出水COD的预测模型,预测误差为0.60和0.39。最后对污水厂历史入水数据进行综合寻优,得出了理论最优溶解氧浓度值。