The vast majority of models developed for wastewater treatment and receiving water systems have been of the distributed-parameter and state-space (lumped-parameter) forms. On the other hand, most control system design methods and, for that matter, methods of system identification refer to the black box class of models and in particular the time series models. In the current study two modelling techniques of the black box class of models were used to model the data collected from full-scale treatment operations at the Gold Bar Wastewater Treatment Plant (GBWWTP), the largest plant in the Edmonton area (Alberta, Canada). An artificial neural network was trained to make short-term predictions of the quantity of wastewater entering the plant during storm events using rainfall data collected from eight gauges covering the parts of the city that are serviced by combined sewers. After training, the model was able to generalize very well when tested against an unseen set of data. Transfer function time series models were used to model the quality data collected from a primary sedimentation tank at the plant. The models were able to make hourly predictions of the total suspended solids and chemical oxygen demand in the primary effluent. The presented models have the predictiveness and adaptiveness requirements needed for models that could be utilized as part of a real-time control system. Key words: dynamic modelling, artificial neural networks, transfer-function models, wastewater inflow, primary sedimentation.La grande majorité des modèles développés pour les systèmes de traitement des eaux usées et des milieux récepteurs sont du style paramètres distribués et états-espaces (paramètres localisés). Par contre, les méthodes de conception de systèmes de contrôle et, par le fait même, les méthodes d'identification de systèmes font référence à la classe de modèles à boîte noire et, en particulier, aux modèles à séries chronologiques. L' étude actuelle comporte deux techniques de modélisation de classe de modèles à boîte noire qui ont été utilisées pour modéliser les données obtenues des opérations de traitement à pleine échelle à la station de traitement des eaux usées Gold Bar (GBWWTP), la plus grande station de traitement des eaux usées dans la région d'Edmonton (Alberta, Canada). Un réseau neural artificiel a été conçu pour prédire à court terme la quantité d'eaux usées pénétrant dans la station de traitement durant des tempêtes en utilisant les données de précipitations provenant de huit jauges couvrant les régions de la ville couvertes par le réseau unitaire d'assainissement. Une fois développé, le modèle a réussi à très bien généraliser lorsque ses données ont été confrontées à un nouvel ensemble de données. Des séries chronologiques de fonction de transfert ont été utilisées pour modéliser les données qualitatives recueillies dans le bassin de décantation primaire de la station de traitement. Les modèles ont prédit les solides totaux en suspension et la demande chimique en oxygène dans l'effluent primaire, selon une base horaire. Les modèles présentés possèdent les critères de prédiction et d'adaptation requis pour être utilisés dans un système de contrôle en temps réel. Mots clés : modélisation dynamique, réseaux neuraux artificiels, modèles de fonctions de transfert, arrivée des eaux usées, décantation primaire. [Traduit par la rédaction] [ABSTRACT FROM AUTHOR]