人工神经网络因其避免了建立复杂系统的数学模型，能够从历史数据中抽取隐含的知识和规律，被用于水质预测、软测量和自动控制。 Dae Sung Lee 等  [40]针对间歇曝气式反应池的 PO43-、NH4+-N 及 NO3-N 的在线
估计进行研究。作者先采用简单前馈反向传播 ANN 模型对 SBR 法的被测参数进行模拟及预测，但效果并不理想。由于在厌氧反应和好氧反应阶段的输入参数并不相同，于是改用了分离网络结构分别用于厌氧及好氧条件，即在厌氧反应阶段和好氧反应阶段，分别以在线测的 pH 值、氧化还原电位 ORP 及溶解氧 DO 作为辅助变量，输至各自独立的隐藏层（两层），再联合后输至输出层，得到了 PO43-、NH4+及 NO3-的估计值，并取得了良好的效果。但该研究未对 BOD5、COD 等重要参数进行预测。Dong-Jin Choi 等[41]曾用 11 个进水参数（流量 Q、COD、NH4+-N、NO3-N、NO2-N、TSS、SV、Cl、P、pH 值及温度 T）对污水的进水总凯氏氮进行软测量。考虑到 ANN 模型具有高精度的预测能力，但噪声参数及非线性参数对预测的影响也大。作者先用主元分析对 11 个进水参数进行降维成 5 个重要参数，然后再用 ANN 对污水进水的总凯氏氮进行软测量研究。不仅有效地减少了非线性及噪声参数的影响，而且降低了 ANN 模型的容量，使得模型简化，易于编程。文中作者分别用四种模型对其预测效果进行了比较（多元回归、主元回归、ANN 及混合神经网络 PCA+ANN），以实例证明了混合神经网络的优势。
Ruey-Fang Yu[42]等人利用 BP 神经网络和在线监测 ORP、pH 对连续流 SBR 工艺的实时控制进行了研13 究。该实时控制系统由实时信息控制单元和 ANN 控制单元两部分组成。实时信息控制单元用于监测 ORP 和 pH 的“拐点”，ANN 控制单元的功能是根据训练样本正确预测 ORP 和 pH 的控制点和控制时间。实验结果表明，BP 网络不仅能为实时过程控制准确预测信息，而且该实时控制比固定时间控制减少了水力停留时间（减少近 45%的好氧时间、15.5%的缺氧时间和 23.75%的总停留时间）和曝气能耗（节省近 45%的充氧能耗），  还提高了总氮去除率和反硝化效果。
 欧阳军，杨宏伟等人[43]利用三层前馈型 BP 神经网络，对试验测得的有机物厌氧生物降解性的定量指数和有机物分子连接性指数进行建模，得到有机物厌氧生物降解性定量结构关系(QSBR)模型。他们以 19 种有机物作为试验有机物，通过试验得到分别表示有机物的生物厌氧降解性的产气指数 GPI 和 COD 降解指数 CRI，并定义综合指数。试验中选取了 10 种有机物数据利用 BP 算法对网络进行训练，5种有机物数据来验证，4 种有机物数据来检验还不错终结果。为表示种类不同的有机物的厌氧生物降解性和分子连接性指数的关系的差异，将有机物分类编号，然后将有机物的 11 种分子连接性指数一起构成一个 19x12 的输入矩阵。输出向量即为试验得到的各有机物的人工智能值构成的向量。研究表明，对大部分有机物来说结果是比较好的。