电渗析设备是由离子交换膜和直流电场组成的脱盐工艺，以电位差为推动力，利用交替放置的阳阴离子交换膜的选择透过性达到脱盐效果。本文介绍了利用BP神经网络及其改进算法建立神经网络模型运用于实验室规模的电渗析设备中，目的是为了预测电渗析设备的脱盐率(SP)。 BP神经网络模拟人脑神经结构，能够应用于大量的互相联接的处理单元所构成的复杂网络结构中。BP网络的自适应和自学习能力能够有效处理高度复杂的非线性系统，从而实现从输入到输出的任意非线性映射。利用这一特点，本文将BP神经网络应用于电渗析工艺中。但由于BP网络有其自身缺陷，采用改进BP算法对BP神经网络进行修正。为了得到*佳预测效果，神经网络经过多次训练，将神经网络训练后得到的脱盐率预测值与实验值进行对比。BP网络获得*佳神经网络训练参数，即BP算法的*佳隐层节点个数为8时，MSE为0.2504，训练数据、测试样本相关系数分别为0.9949、0.9921，MSRE为0.0068，训练次数为75次；自适应学习速率法的学习速率选取为0.05时，MSE为0.2464，训练数据、测试样本相关系数分别为0.9967、0.9922，MSRE为0.0057，训练次数为32次；附加动量法的动量因子选取为0.15时，MSE为0.2537，训练数据、测试样本相关系数分别为0.9958、0.9905，MSRE为0.0062，训练次数为18次；弹性BP算法的权值变化增加量为1.2时，MSE为0.0942，训练数据、测试样本相关系数分别为0.9987、0.9974，MSRE为0.0021，训练次数仅为13次。可见，BP算法的*佳隐层节点个数为8时，得到*佳网络结构4:8:1。对比三种改进BP算法，自适应学习速率法相比附加动量法更能接近预测精度，而附加动量法虽然缩短了训练时间，但其预测精度不高。弹性BP算法的拟合效果*好并且可以利用*小的训练次数达到目标精度，所以弹性BP算法为*佳改进BP算法，自适应学习速率法其次，附加动量法*次。三种改进算法都从不同角度修正了BP神经网络，所以训练结果都优于BP网络。并且从神经网络的应用角度分析，BP网络及其改进算法不仅可以应用于相类似的膜工艺领域，也可适用于其他存在非线性关系的工艺优化中。