聚合过程是典型的化工过程。聚合过程具有反应机理复杂、参数测量困难、非线性强等特点，这使得过程机理建模比较困难。人工神经网络(ANN)不精确依赖于过程机理的数学模型，对于任意函数映射都能按指定要求的精度逼近，在处理复杂且缺乏先验知识的系统建模问题上表现出独特的优越性。尽管如此，网络的训练时间往往太长，且存在局部极小值。为克服这些困难，本文采用新的快速训练算法，同时引入全局优化算法——遗传算法(GA)，克服局部极小值。 本论文以苯乙烯(ST)和马来酸酐(MAH)的热引发本体聚合过程为例，研究基于ANN的聚合过程建模方法。论文的主要研究内容如下： (1)回顾ANN在聚合过程中不同方面的应用，对其进行总结。 (2)探讨误差反向传播算法的改进原则，并对不同的改进算法进行分析对比。 (3)采用GA作为训练算法，解决ANN局部极小值问题；针对简单遗传算法(SGA)存在的缺陷，提出改进措施，并给出相应的程序。 (4)在此基础上，讨论基于ANN的聚合过程建模方法；对与过程有关但不能在线测量的参数，构造预测模型，实现参数的软测量。 (5)利用ANN模型进行仿真，分析各因素对过程的影响。