选择性催化还原(SCR)是目前主流的烟气脱硝技术,在SCR脱硝系统设计中,催化剂体积准确设计是事关脱硝效率和成本支出的重要环节.传统的SCR催化剂体积设计主要采用经验公式计算,但由于SCR催化剂体积设计的影响因素众多,使得经验公式不仅复杂且适用性较窄.基于此提出基于样本优化的BP神经网络催化剂体积设计预测方法.研究结果表明,针对已构建的BP神经网络模型,通过平均影响值算法(MIV)对原始样本进行输入参数筛选和优化,降低了神经网络复杂性,提高了模型精度,平均预测误差从15.46％下降至10.32％.进一步通过BP神经网络预测筛选辨识样本中的不良数据,基于剔除了不良样本训练的BP神经网络,平均预测误差可进一步下降至2.55％,这一方法可为催化剂体积设计提供参考和指导.