目前在实验室中对空调系统制冷量的测量方法已较为成熟,主要采用室内空气焓差法和热平衡量热计法,其中焓差法以其设备投入成本低、整体测量周期短的特点而被生产企业和检测机构所多数采用,并且已形成标准被全球多数国家所执行。但是,对于实际生活中已安装使用的在役空调产品,对其制冷量进行检测和长期在线监测并没有统一的、标准的方法,且对于已经安装在建筑物中的空调而言,由于检测设备和使用环境所限,使用室内空气焓差法进行长期测量将严重影响消费者的使用,应用在实际检测当中并不合适。所以本研究提出了一种基于神经网络的软测量方法,在对与空调系统制冷量相关的一些易测变量进行测量后,通过计算机技术及建模变量关系来推断或者估算制冷量,以达到对家用空调系统的制冷量进行长期在线测量的目的。本研究是基于空调产品实际使用过程中的性能情况展开的,着重探讨了家用空调产品实际使用过程中,对系统制冷量进行测量并实现长期在线监测的方法,本文首先从国家标准所述的检测方法出发,分析讨论了采用不同检测方法对空调系统制冷量测量的特点,之后通过对空调系统的热力学原理分析,以及对空调系统关键组件结构分析,研究了空调产品系统各组件的接口参数的关系,从而建立了综合检测要求和系统接口物理特性的制冷量关系数学表达式。然后根据在役家用空调系统的实际情况,搭建了一个数据采集平台,通过对现场易于测量的系统状态参数进行采集,采用云平台实时传输等手段,为软测量模型的建立提供了必要的训练学习数据组。并根据所采集的数据对在役空调系统制冷量利用神经网络进行软测量的可实现性进行了讨论,同时比较了BP神经网络、径向基函数(RBF)神经网络、支持向量机(SVM)在此实际应用中所建模型的性能。实现了基于在役家用空调器整体系统的神经网络模型的混合建模仿真。最后,针对BP神经网络对初始权值依赖性较强的问题采用进化算法进行了优化,并通过采用MIV算法对BP神经网络输入层变量进行筛选,得出输入变量的决策权重,达到了提高系统效率,减少在线测量仪表成本的目的。结果表明,采用神经网络对在役家用空调器制冷量进行软测量能够达到较好的效果,在实际工程应用当中具有可行性。