在火电发电成本中，燃料费用占有很大比例，在我国，由于管理水平和煤质变动等方面的原因，造成锅炉机组煤耗较高，增加了生产成本。而提高锅炉系统的运行水平，促进机组的节能降耗，是降低运行成本，提高电厂竞争能力的重要途径。本文针对煤粉锅炉操作人员在燃烧调整过程中缺少及时调整的依据的问题，做了如下主要工作：(1)在试验数据的基础上，利用人工神经网络技术把锅炉诸多运行参数(负荷，配风方式和煤质特性等)与锅炉的排烟温度、飞灰含碳量和炉渣含碳量关联起来，并结合锅炉反平衡效率计算方法，建立了预测锅炉燃烧效率的混合模型。(2)在建模中，采用了BP神经网络，比较了两种提高神经网络的泛化性能的方法：采用归一化均方误差函数；Bagging神经网络集成。实验结果表明，由7个独立BP网络组成的神经网络集成，在验证集上，排烟温度、飞灰含碳量和炉渣含碳量的最大相对误差分别为3.92％，4.8％和4.93％，比采用归一化均方误差函数的单个神经网络具有更好的泛化性能。(3)在建立锅炉效率预测模型的基础上，针对简单遗传算法的缺点，采用基于实数编码的自适应遗传算法进行寻优。寻优结果表明，在试验工况上，效率平均提升幅度约为1％，而且各操作参数的优化值与试验数据分析也较为吻合。本文利用人工智能技术对锅炉燃烧系统的优化操作进行了研究。重点考虑建模时模型的泛化性能，采用了神经网络集成技术，并获得了良好的效果。