การสร้างแบบจำลองนั้นมีประโยชน์ต่อการศึกษาพฤติกรรม การติดตาม และปรับปรุงระบบของกระบวนการชีวภาพซึ่งมีความซับซ้อนอยู่โดยธรรมชาติ งานวิจัยนี้ศึกษาความเป็นไปได้ในการใช้แบบจำลองการถดถอย แบบจำลอง Dual kriging และแบบจำลองเครือข่ายประสาทเทียม 2 ชนิด คือ Backpropagation (BPN) และ Cascade Correlation (CCLN) ในการจำลองกระบวนการผลิตไซลิทอล ข้อมูลที่ใช้ในการสร้างแบบจำลองรวบรวมจากกระบวนการผลิตไซลิทอลแบบต่อเนื่องจาก Candida mogii ในระบบหมุนเวียนเซล (Cell recycling) ซึ่งได้ตรวจสอบอิทธิพลของอัตราการหมุนเวียนเซล (Recycle ratio) และอัตราการให้อากาศ (Aeration rate) ต่อปริมาณเซลและผลผลิตไซลิทอล แบบจำลองที่ศึกษาจะแสดงความสัมพันธ์ระหว่างสภาวะในการผลิตไซลิทอลได้แก่ อัตราการหมุนเวียนเซล อัตราการให้อากาศ และเวลาการหมัก กับผลลัพท์ของกระบวนการได้แก่ปริมาณเซลและผลผลิตไซลิทอล โดยสร้างแบบจำลองแยกกันระหว่างผลลัพท์ที่สนใจแต่ละตัว แบ่งข้อมูลทั้งหมดเป็น 3 ส่วนเพื่อสร้างแบบจำลอง เลือกพารามิเตอร์ที่เหมาะสม และทวนสอบแบบจำลอง ในการเลือกพารามิเตอร์นี้ได้ทดลองใช้รูปแบบของแบบจำลองการถดถอยแบบขั้นบันไดหลายระดับ และทดลองใช้โครงสร้างและพารามิเตอร์ในการเรียนรู้ของแบบจำลอง BPN และ CCLN หลายประเภท วัดความสามารถในการใช้งานทั่วไปของแบบจำลองที่สร้างขึ้นโดยการประเมินด้วยข้อมูลชุดทวนสอบ เปรียบเทียบประสิทธิภาพของแบบจำลองด้วยค่าความถูกต้องในการทำนายค่าผลลัพท์ของกระบวนการและค่าความลำเอียงของแบบจำลองจากข้อมูลทุกชุด สำหรับแบบจำลองที่ใช้ในการทำนายปริมาณเซลได้ถูกต้องแม่นยำ มีความสามารถในการใช้งานทั่วไปสูงที่สุด และไม่ลำเอียงได้แก่แบบจำลอง CCLN ในขณะที่แบบจำลองที่ใช้ในการทำนายปริมาณผลผลิตไซลิทอลได้ถูกต้องแม่นยำ และมีความสามารถในการใช้งานทั่วไปสูงที่สุดได้แก่แบบจำลอง BPN อย่างไรก็ตามแบบจำลอง BPN นี้มีความลำเอียงเชิงลบเล็กน้อย การนำไปใช้จึงต้องตระหนักถึงประเด็นนี้เสมอ โดยรวมแล้วแบบจำลองทางสถิติคือ แบบจำลองการถดถอย และ Dual kriging นั้นมีประสิทธิภาพต่ำกว่าแบบจำลองชนดกล่องดำหรือแบบจำลองเครือข่ายประสาทเทียมในการจำลองความสัมพันธ์ของกระบวนการผลิตไซลิทอลในงานวิจัยนี้ Modeling approach can be useful in understanding the behavior, monitoring and improving of the bioprocess system which is generally very complicated in nature. The potential use of polynomial regression, dual kriging, backpropagation neural network (BPN) and cascade correlation neural network (CCLN) in empirically modeling the xylitol production process were studied. The data used were collected from a continuous xylitol production by Candida mogii cell recycling where the effects of recycle ratio and aeration rate on the cell biomass and xylitol concentration were investigated. This research attempted to approximate the relationships between fermentation conditions (recycle ratio, aeration rate and fermentation time) and outputs of the system (cell biomass and xylitol cocentration). A separated model was developed for each output of interest. The entire data were divided into three data sets for building and selecting proper models, and validating them. Various functional forms of stepwise polynomial regression, various architectures, training parameters of BPN and CCLN were explored. Generalization capability of the models was evaluated using the validation data set. The performance of the model was assessed by the prediction accuracy across all data sets and by the model bias. For the cell biomass predictive model, the CCLN model was superior to BPN, dual kriging and polynomial regression models in terms of prediction accuracy and generalization capability with no bias. For the xylitol concentration predictive model, the BPN model outperforms the CCLN, dual kriging and polynomial regression models with respect to prediction accuracy. However, this BPN model is very slightly underestimates the data. Consequencely, care must be taken when using it. On the whole, the statistical based models as polynomial regression and dual kriing were quite inferior to the alternative block box modeling techniques such as neural networks in approximate the relationship of the xylitol production process in this research.