研究锅炉的燃烧优化对火电厂实现节能减排目标有着非常重要的价值，它是实现电厂高效低排放的有效手段之一。然而燃煤锅炉是一个复杂的系统，如何建立能够反映锅炉燃烧特性的响应模型是燃烧优化研究的问题之一。智能技术的快速发展和广泛应用，为解决这一问题提供了可能。本文围绕燃烧优化的智能技术展开研究，由于模型是优化的基础，所以本文的主要研究内容包括智能建模方法和智能优化算法。主要的研究工作如下:　　1.在热态试验数据的基础上，建立了基于人工神经网络（BP神经网络和RBF神经网络）的350MW机组的NOx排放浓度响应模型和600MW机组的多输出预测模型，并通过检验样本检验了模型的响应能力。研究结果表明:神经网络算法是实现智能建模的有效方法之一，可以实现较好精度的智能预报。相比而言，BP模型建立较为复杂，而且耗时较长，适合离线应用;RBF模型建立较为简单，而且耗时较短，适合在线应用。　　2.对统计学理论和支持向量机展开了介绍，从理论上区别了支持向量机与神经网络方法的不同，解释了神经网络出现过学习、低泛化现象的原因。同时，建立了基于支持向量机的350MW机组的NOx排放浓度响应模型和600MW机组的多输出预测模型，模型的参数选取以交叉验证误差最小和关联系数最大为目标通过网格搜索法确定。实例分析结果表明:以网格搜索法确定的参数组合为基础，可以建立精度较好的支持向量机智能预测模型，模型的精度较高于神经网络模型，而且建模方法简单，不依赖于使用者经验，非常适合在线应用，是建立智能模型的优选方法之一。　　3.以支持向量机的参数优化为例，使用粒子群算法对参数的最佳组合进行了寻优。优化以参数组合建立的预测模型交叉验证误差最小为目标。优化结果表明:粒子群算法可以寻找到使交叉验证误差更小、关联系数更大的参数组合，较好于网格搜索法确定的参数组合。而且粒子群算法的收敛速度快，无需依赖于经验进行初选和精选操作，是支持向量机参数优化的有效手段之一。　　4.以350MW RBF模型为基础，以NOx排放浓度最低为目标，使用粒子群算法进行了目标优化，优化结果表明:优化后可以使NOx排放浓度显著降低，提供的优化操作与抑制NOx生成的低氧燃烧原则相符，理论上证明了优化方法的可行性;以600MW支持向量机模型为基础，构建了单目标、多目标通用的权重函数，并以此作为目标函数进行优化。优化结果表明:使用粒子群算法进行优化，可以快速寻找到最优值，通过调整权重可以实现不同程度的目标优化，优化建议与机理分析具有一致性，再次从理论上证明了优化方法的可行性。