摘要：有机固废资源化处理已成为全球环境治理与能源结构优化的重要方向。其中，厌氧消化技术（AD）可将固废中的有机物转化为以甲烷（CH4）为主的沼气，实现能源回收和固废减量的双重目标。然而，在实际运行过程中，AD系统常面临稳定性不足、运行参数过度依赖经验调试及对工况波动响应能力较弱等关键瓶颈。人工智能（AI）凭借其在非线性建模、时序预测与多参数优化等方面的优势，为破解上述瓶颈提供了新的技术路径。系统综述了深度学习、自动机器学习（AutoML）与强化学习等前沿技术在AD中的应用进展，深入探讨了AI与AD技术深度融合的可行性与潜在价值。由于不同类型的有机固废（如餐厨垃圾、污泥、畜禽粪污等）成分差异显著，AD过程在生物可降解性、甲烷产量及动力学特征方面表现出明显差异。AI模型通过有效的特征选择，能够显著提升其泛化能力。现有研究表明，集成学习模型（如随机森林、XGBoost）在多底物系统甲烷产量预测中，决定系数R2可超过0.95；在优化进料策略等问题上，AI同样表现出色，沼气产率提升可达45%。然而，目前AI赋能的AD技术仍面临数据质量波动、在线监测不足、模型可解释性有限、跨系统迁移能力弱及工程标准体系缺失等核心挑战。未来研究应重点发展依赖少量数据的可解释混合模型，结合物联网与数字孪生技术，构建覆盖全流程的智能监测与闭环调控体系，推动有机固废厌氧消化向规模化、智能化与低碳化方向发展。  收起-