在现代城市生活和生产中，给水系统担负着保护用户供水水质的重要任务。净水过程中混凝沉淀是一个很重要的环节，混凝效果的好坏直接关系到后续处理工艺及出水水质的好坏。在混凝剂品种选定、混凝设施水力条件一定的情况下，混凝剂的投加量直接影响混凝效果的好坏。研究进行混凝剂的合理自动化投加一直以来都是水处理行业的热门课题。　　本课题以实际项目为背景，针对混凝投药控制过程具有影响因素多、大滞后和非线性的特点，由此造成控制难度加大的问题，在研究传统投药控制方法的基础上，结合BP神经网络的理论思想和控制特点，尝试建立一种基于BP神经网络的混凝投药控制模型，并进行了混凝投药控制系统的初步设计。　　文章首先介绍了几种常用的混凝投药控制方法，然后对神经网络的发展和特点进行了介绍，详细介绍了BP神经网络的算法、结构和建模过程，并尝试引入Levenberg-Marquardt算法作为BP神经网络的主要学习算法。然后，介绍了中试试验装置的设计原则和重要设计参数，通过中试试验采集了建模需要的数据参数，分析采集到的运行数据，结合影响混凝投药效果的各种因素和试验地区的水质特点，选择原水浊度、流量、水温三个因素作为建立BP神经网络模型的输入神经元参数。对采集到的试验数据进行整理之后，运用BP神经网络模型进行了仿真和预测分析。为了比较模型好坏，尝试运用传统数学方法建立多元线性回归模型，找出了原水水质参数和投药量之间关系的确定表达式，从仿真和预测两个方面对BP网络模型和多元回归模型进行比较，分析了模型仿真和预测的拟合效果、绝对误差、相对误差分布等性能指标。比较之后发现，BP神经网络模型具有更强的线性逼近能力，能够根据原水水质对投药量进行很好的仿真和预测。　　文章最后以中试试验系统为基础，利用已建立的BP神经网络前馈控制模型，进行了相关硬件连接和软件设计，对基于BP神经网络模型的前馈投药控制系统进行了稳定性和灵敏性调试，认为该控制模型具有较好的稳定性和灵敏性。