随着治水提质工作计划的开展,国内许多城市明确提出现有污水处理厂出水标准需达到一级A及以上,总氮是其中主要考核指标之一。由于总氮未列出国家减排指标内,大多数污水处理厂均存在过曝现象,从而导致总氮无法达标。因此,建立一种对污水处理出水总氮的预测方法,可以帮助污水处理厂的运行人员有效的提高运营水平。根据国内外研究可知,早期的预测方法多为白箱模型,即利用活性污泥模型及一些商业软件对出水水质进行预测。随着计算机技术的发展,数据挖掘方法逐渐成熟,其中神经网络算法备受学者青睐,误差反向传播神经网络、径向基神经网络以及深度学习网络陆续被应用于出水水质预测领域。针对现有研究的不足之处,本文结合深度神经网络对出水水质进行研究:（1）采用准确的进出水数据作为训练集和测试集,建立误差反向传播神经网络模型,用来对出水总氮进行预测,结果表明进水加上部分出水指标的预测精度高于只用进水作为输入值得预测效果。（2）为减少运算量,采用主成分分析方法对数据进行降维处理,结果表明进水p H、水量对主成分的贡献率很低,可在误差反向传播神经网络预测出水总氮时可以被忽略,不会影响预测精度。为解决传统误差反向传播神经网络易陷入局部极小值的现象,分别结合遗传算法和粒子群算法对误差反向传播神经网络预测出水总氮的权重进行优化,结果表明采用遗传算法和粒子群算法优化后,预测精度有明显的提升。（3）建立了深度学习网络-深度信念网络和长短记忆网络对污水厂出水总氮的预测方法,深度信念网络预测的结果要优于反向误差传播神经网络预测的结果,长短记忆网络对污水厂出水总氮进行预测结果比深度信念网络网络和反向误差传播网络预测的结果都要差。