随着社会和经济的高速发展,木材资源日益匮乏,低质木材的高附加利用显得尤为重要。木材热改性是改善和提高木材性能的重要方法和手段之一,它采用物理方法,在选定的介质中对木材进行高温处理,由于热改性方法不使用任何有毒或者有害的化学药品,因此它是一种绿色环保的木材处理方法。经过热改性后的木材,其颜色稳定、视觉舒适,尺寸稳定性好、生物耐久性得以提高,但在上述性能改善的同时,其化学成分和生物结构等均发生了不同程度的变化,热改性工艺条件不合适,则可能会导致木材物理力学性能的大幅度降低等不良后果,这在某种程度上限制了热改性材的使用范围。本研究利用多功能木材高温高压蒸汽改性装置对兴安落叶松锯材进行热改性处理,获得高温高压蒸汽改性工艺参数与其力学性能关系的基础数据,并以此作为原始样本,利用人工神经网络和支持向量机两种算法对高温高压蒸汽改性工艺参数与其力学性能关系进行建模,对建立模型的综合性能进行了比较；在此基础之上设计了高温高压蒸汽改性工艺参数与其力学性能关系预测控制系统,并对系统进行了仿真与实现。第二章采用木材多功能高温高压蒸汽处理设备对兴安落叶松锯材进行了高温高压蒸汽改性处理,探讨了不同热改性工艺条件对处理材力学性能的影响。试验结果表明,热改性对木材主要力学性能指标,如顺纹抗压强度、抗弯强度、抗弯弹性模量、硬度等均有影响,温度和湿度比时间对热改性材的影响更显著。热改性后木材的顺纹抗压强度、硬度总体上要高于素材的强度,而抗弯强度、抗弯弹性模量总体上低于素材的强度,这与前人的研究结论基本一致,表明本试验所得到的木材热处理后力学性能原始数据准确,为后继建模提供了可靠的原始样本数据。第三章通过BP神经网络和RBF神经网络两种算法分别建立了木材高温高压蒸汽改性工艺参数与其力学性能关系的预测模型,并对两种预测模型的性能进行了比较；利用预测性能较好的RBF神经网络建立了高温高压热处理材工艺参数与力学性能关系预测的逆模型,并对建立的模型进行了性能上的综合分析。研究以第二章试验所得原始数据一部分作为已知样本输入网络进行学习,随机选用另一部分作为测试样本对训练好的网络进行仿真。BP神经网络模型预测结果相对误差的最大误差绝对值小于9%,平均相对误差为4.4%,表明本研究建立的BP神经网络模型能够较好地对未知样本进行预测；RBF神经网络模型统计得出预测样本实际值与测试值最大相对误差绝对值为6.24%,平均相对误差为2.4%,模型对预测数据进行了很好的拟合。通过数据对比可以得出,RBF神经网络预测模型精度更高,泛化能力更强。同时,研究利用预测性能较好的RBF神经网络建立了高温高压热处理材工艺参数与力学性能关系预测的逆模型,以木材热改性后的力学性能作为输入,从而预测出木材进行热改性时所需要的工艺参数,预测结果温度实际值与预测值相对误差最大值的绝对值为6.49%,相对误差最小值为0.34%,相对误差平均值为1.35%；时间的实际值与预测值最大相对误差为9.38%,最小相对误差为1.88%,平均相对误差3.44%；相对湿度实际值最大相对误差为9.08%,最小相对误差为0.14%,平均相对误差为5.68%,表明所建模型预测精度高,可以借此来优化木材热改性加工工艺。第四章通过支持向量机算法建立了高温高压热处理材工艺参数与力学性能关系的预测模型,确定了支持向量机的模型结构、核函数的使用及其参数设计。统计得到预测样本实际值与测试值最大相对误差绝对值为3.24%,平均相对误差为1.12%。结果表明：利用支持向量机所建立的模型比BP神经网络和RBF神经网络所建立的模型预测误差更小,预测精度更高,是一种性能优良的建模方法。第五章建立了高温高压蒸汽改性后木材力学性能预测控制系统,研究了上位机控制软件与MATLAB司的通信过程,并采用DDE动态数据交换方式实现了上位机控制软件与MATLAB间的数据通信。设计了上位机DDE服务器程序和MATLAB客户端程序,上位机负责控制系统数据采集和处理并作为DDE服务器与MATLAB计算机进行数据交换,而运行MATLAB软件的计算机负责预测模型计算并作为DDE客户端将预测结果与上位机进行实时交换,从而将MATLAB编写的支持向量机预测模型嵌入到控制系统中,完成整个控制系统的运行过程。在此基础之上利用支持向量机预测模型对建立的控制系统进行了在线预测,并将预测结果与试验测量值进行了比较,结果证明整个控制系统预测效果良好,能够满足预测精度的需要,实用性强。