近年来,国内外水体富营养化导致的藻类水华事件频频发生。在淡水水体中,尤其是湖泊水库中藻类水华的发生严重影响了人类饮用水安全并对生态环境造成了严重破坏。及早进行湖库水源地藻类水华监测预警并提前应对,对于确保人民群众饮用水安全和水体污染控制与治理有重要意义。本文的研究工作主要是针对某示范地水库,建立有效的藻类浓度预测模型。本文通过研究国内外湖泊水库的藻类水华预测技术进展,结合对应用对象的藻类生长研究,提出了基于竞争的多重神经网络藻类浓度预测模型,主要内容及创新点如下：(1)针对东莞市某水库,研究该水库中藻类生长变化规律,以及其生长受到的环境因素的影响。并与现有研究中藻类生长规律做对比,研究该示范地的藻类生长影响因素。(2)引入独立成分分析算法,将该算法用于研究影响藻类生长的潜在影响因子。对计算得到的独立成分与藻类浓度进行相关性分析,结果表明独立成分因子比环境因子与藻类浓度的相关系数更大。因此经过独立成分分析优化时序BP神经网络预测模型的输入节点因子,降低了输入维数,优化了神经网络结构。(3)通过研究藻类浓度与藻类种群中优势藻结构变化之间的关系,分析藻类优势藻生长变化规律。文中引入优势度作为藻类种群结构的评价因子,将该因子与独立成分分析的独立因子一同作为神经网络的输入节点因子,进一步优化预测模型。(4)针对分析得到的该水库中藻类生长变化规律,提出基于竞争的多重神经网络藻类浓度预测模型。藻类在不同的季节其藻种结构、藻类浓度变化有不同的特性与变化规律,将藻类生长按阶段性划分对藻类浓度预测精度有重要的意义。因此采用前文研究确定的优化的预测模型结构,分别使用春季、夏季、秋季、冬季四个季节的样本数据对模型进行训练得到四种训练模型,然后使用双层神经网络对这四个模型进行竞争选取,选取与当前生长状况最相适应的模式匹配模型进行藻类浓度预测,最终得到基于竞争的多重神经网络藻类浓度预测模型。该方法对于湖泊水库的藻类浓度预测具有一定的借鉴意义,针对藻类生长的复杂性导致的无论采用机理模型还是智能模型都会受到未知参数的影响这一缺陷,提出了将二者相结合的思想及实现方式。