氮氧化物（NOx）是催化裂化（FCC）装置再生烟气中的主要污染物之一。准确预测NOx的排放浓度可以有效避免炼油化工企业污染事件的发生。为了提高污染物排放浓度的预测精度，提出了一种基于集成经验模式分解（EEMD）和长、短期记忆网络（LSTM）的耦合模型。NOx的排放浓度数据分为几个固有模态函数（IMF）和一个通过EEMD的残差序列。根据IMF子序列与原始数据之间的相关性，消除了极弱的相关信号分量，有效地降低了原始信号数据中的噪声。IMF序列集分为高频部分和低频部分，分别在不同深度进入LSTM网络。最后，通过对子序列的预测结果进行逆变换，得到NOx的排放浓度。实验表明，在催化裂化装置的排放预测中，与LSTM的性能相比，EEMD－LSTM耦合模型在均方误差（MSE）和平均绝对误差（MAE）分别降低了46.7%和45.9%，确定系数R2提高了43%，实现了更高的预测精度。