随着我国经济的快速发展和工业化快速推进,我国水资源面临严峻挑战:用水量攀升、水体污染严重且利用率低,水资源短缺的问题日益凸显。对现有水资源进行治理,实现循环利用,就显得非常重要。活性污泥法是一种常见的污水处理方式,但由于反应过程中常常伴随着物质和能量的转换,呈现出非线性、大时滞、强干扰等特点,使得传统的控制方式难以取得令人满意的效果。此外,污水处理过程中还存在一些难以直接测量的关键参数,严重制约着污水处理自动化、智能化水平的提高。因此,研究新型智能算法的机理,为解决污水处理过程难以建模、模型参数校正和参数预测等问题提供了新的思路。本文以活性污泥1号模型（activated sludge model no.1,ASM1）为基础,结合实际污水处理情况,对活性污泥法污水处理过程中的模型建立和参数优化展开研究,做了以下主要内容:（1）研究了麻雀搜索算法（sparrow search algorithm,SSA）的机理,针对SSA算法容易陷入局部最优的不足,提出了一种改进麻雀搜索算法（improved sparrow search algorithm,ISSA）。首先,在SSA中的发现者位置更新公式中引入学习策略,提高了发现者的搜索能力。其次,将自适应步长策略引入麻雀群体中跟随者的位置更新公式中,平衡了算法的搜索精度和搜索速度,避免陷入局部最优,提高了搜索到最优解的效率。最后,利用标准测试函数和其它算法对比验证ISSA算法的收敛速度和寻优精度,证明了所提出算法的有效性和优越性。（2）针对ASM1模型在实际应用中容易受环境因素的影响,导致模型精度下降的问题,提出一种ISSA算法校正ASM1模型参数的方法。首先,进行了深入的ASM1模型参数敏感性分析与研究,找出了容易受环境影响的敏感参数。其次,以模型输出值与实际测量值之间的最小二乘关系建立目标函数。最后,利用ISSA算法去估计和校正模型的参数,提高了模型实践时的精确性和普适性。（3）溶解氧浓度（dissolved oxygen,DO）是活性污泥法污水处理过程中的重要过程参数。对溶解氧浓度准确测量是保证出水水质达标以及节能生产的前提,对此,提出了一种基于优化误差反向传播神经网络（back propagation neural network,BPNN）的溶解氧浓度软测量模型。该方法采用ISSA实现BP神经网络模型参数的优化,提高溶解氧浓度的预测精度和效率。分别采用IWA提供的数据和实际污水处理厂运行数据验证了基于ISSA-BPNN的溶解氧软测量模型的有效性。（4）针对活性污泥污水处理过程中关键参数BOD5（five-day biochemical oxygen demand）难以在线测量的问题,提出了一种基于ISSA优化随机配置网络（stochastic configuration network,SCN）的BOD5软测量模型。首先,用ISSA算法去优化SCN网络,获得最佳SCN参数,提高了SCN网络的综合性能。其次,用两个公共数据集验证ISSA-SCN网络的有效性。最后,建立活性污泥过程出水BOD5的软测量模型并验证。结果表明,ISSA-SCN模型预测误差较小,能够有效的预测BOD5浓度,获得较好的跟踪精度。