随着经济的持续快速发展,人们对湖泊、河流等水体水质要求也逐渐提高。而低污染水的处理是提升河流、湖泊水质的重要一环。现有的低污染水处理技术各有优劣,如何经济有效的去除低污染水中的氮、磷是现阶段研究重点。在此背景下,本文以低污染水为研究对象,开展了反硝化生物滤池（DNBF）和水生植物塘工艺处理低污染水试验研究。在DNBF试验研究中,探究了新型天然碳源作为反硝化碳源的可行性,并研究了不同滤料和运行条件对DNBF处理效果的影响,分析了DNBF中微生物群落结构的组成。在水生植物塘研究中,通过分析动态条件下沉水植物对污染物吸收贡献率和植物根际微生物对污染物降解贡献率,以及微生物群落结构的差异,探究了水生植物对低污染水去除机理。研究了DNBF和水生植物塘复合工艺对低污染水处理效果,并使用人工神经网络模型预测了三种工艺出水中污染物浓度。主要研究内容与结果如下:以玉米芯、杨树枝、木屑和稻草秸秆为反硝化碳源,探究了其作为反硝化碳源的可行性。以陶粒、石英砂、聚丙烯塑料为滤池滤料,考察了不同滤料对DNBF脱氮的影响。结果表明,碱处理玉米芯的反硝化潜能最高,为143.07 mg NOx^--N/（g·材料）。在静态反硝化试验中,以碱处理玉米芯为反硝化碳源时,TN的去除率为69.70%。碱处理玉米芯的释碳能力和反硝化潜能较天然玉米芯均有较大幅度提升。在碱处理玉米芯投加量为20 g,HRT=2 h时,以陶粒为滤料的DNBF脱氮效果最好,TN出水符合《地表水环境质量标准》（GB 3838-2002）V类水标准。反硝化菌属在以陶粒为滤料的DNBF上层、中层、下层中相对丰度分别为23.13%、8.45%、19.46%,其中Thauera（陶厄氏菌属）相对丰度分别占比19.78%、4.29%、13.25%,远高于其他两种滤料的DNBF。在三种不同滤料DNBF中,下层生物膜反硝化菌属所占相对丰度均为最高,说明在上向流DNBF中,反硝化菌属在下层富集。采用三种不同类型的沉水植物（苦草、黑藻和马来眼子菜）处理低污染水,去除水体中的氮、磷和有机物。对三种植物根际的微生物群落结构进行了分析。结果表明,黑藻对TN和TP的最大去除率分别为92.83%和82.66%。在3种不同水力停留时间（4天、6天和8天）的条件下,三种水生植物塘中TN和TP的最高去除率均随水力停留时间的增加而增加。苦草、黑藻、马来眼子菜三种植物对TN的吸收贡献率分别为16.22%、20.38%和16.97%,对TP的吸收贡献率分别为19.16%、18.88%和21.06%。植物根际中变形杆菌（Proteobacteria）的相对丰度分别为59.70%（马来眼子菜）、88.57%（苦草）和68.57%（黑藻）。变形杆菌（Proteobacteria）在三种沉水植物脱氮过程中发挥了重要作用。三种植物根际中红杆菌（Rhodobacter）的相对丰度分别为7.74%（马来眼子菜）、3.19%（苦草）和13.87%（黑藻）,其在反硝化过程中发挥了重要作用。由于DNBF除磷效果较差,出水中TP浓度较高,因此开展了反硝化生物滤池-水生植物塘复合工艺对低污染水去除效果的研究。经此复合工艺处理的低污染水,COD、NH₄⁺-N、TN、TP出水水质均符合《地表水环境质量标准》（GB 3838-2002）IV类水标准。同时,使用人工神经网络模型预测了上述三种工艺处理低污染水时各污染物出水浓度。分别使用准牛顿BP算法（trainbfg）、量化共轭梯度算法（trainscg）和L-M优化算法（trainlm）建立了上述三种工艺处理低污染水的人工神经网络模型,训练结果表明,L-M优化算法（trainlm）训练精度最高。采用L-M优化算法（trainlm）对三种工艺出水污染物进行预测,预测结果中TN、TP的均方误差（MSE）均小于1.00,所建立的人工神经网络模型预测精度较高,可用于预测三种工艺出水污染物浓度。