造纸工业废水对环境污染严重，处理过程中控制水平的落后是原因之一。近年来，智能控制发展迅速，为造纸废水处理的自动控制提供了有效的解决途径。鉴于此，本论文以废纸造纸废水处理为研究对象，针对处理过程中多变量、非线性等特点，利用经过遗传算法优化的BP神经网络，即基于GA-BP算法的神经网络来实现对造纸废水处理自动添加絮凝剂的智能控制。 本文首先确定了实验室条件下的造纸废水处理工艺，完成了PLC控制程序的编写和MCGS的组态工作，在此基础上建立了造纸废水处理的自动控制系统，并在该自动控制系统下进行试验考察原水COD、进水流量、加药量与出水COD之间的关系。选取其中66组试验数据作为网络模型的训练样本，在MATLAB下对BP神经网络预测模型和控制模型进行仿真研究，确定了BP神经网络模型的各项最优参数，同时完成了遗传算法参数和算子的选取，在此基础上构建了GA-BP网络模型。 随后在MATLAB下分别对BP网络模型和GA-BP网络模型进行训练，结果表明经过遗传算法的优化，BP神经网络的训练步数由1375步降低到531步，收敛速度得到了明显改善。抽取训练样本和未知样本各16组对两种网络分别进行仿真，对应的预测模型和控制模型平均相对误差分别为0.95％、0.98％、6.7％、7.2％和0.49％、0.51％、4.3％、4.1％，仿真结果表明，基于遗传GA-BP算法的网络模型较之BP网络，在学习能力和泛化能力上都有一定的提高，可以作为自动控制系统的预测模型和控制模型。 最后在MCGS高级开发包生成的VB程序中编写了GA-BP神经网络算法，按照MCGS的接口函数规范将算法嵌入到MCGS中，实现了对造纸废水处理系统的智能控制。在实验室条件下进行验证试验，实验中设定高效反应器的期望出水COD为350mg/L，当分别改变原水COD和进水流量的大小时控制系统会自动计算出该时刻加给高效反应器的加药量，结果表明高效反应器的出水COD在350mg/L左右小范围内波动，表明基于GA-BP神经网络算法的智能控制系统能够有效地实现对造纸废水处理系统的智能控制。 本课题的研究成果为实现造纸废水处理系统的自动控制提供了一种有效的解决方案，也为已有的废水处理自动控制系统改造提供了一定的参考。