水质预测是对河流水质的现状、污染物迁移的特点和污染物的排放情况来预测水质未来变化的趋势,对水资源的.保护具有积.极的意义。合理的水资源管理和水污染防治的环境规划是水环境保护的重要任务,而水质的预测工作可以有力的为这些任务的完成提供保障。通过对相关文献及资料的阅读和研究,了解国内外.相关水质模型.构建的研.究现状,并对水质模型的构建方法进行了归纳总结。同时,针对研究区域的数据资料,确定研究方法。以清河水库水质为研究对象,结合其水质现状及监测的数据资料,运用BP神经网络和NAR神经网络分别建立清河水库水质预测模型,对水库的主要超标污染物总氮的浓度进行模拟预测,主要研究成果如下:(1)基于灰色关联分析的BP神经网络水质预测模型运用BP神经.网络,在进行.水质预测模.型的构建.工作时,采用灰色关联分析法,对研究区.域的水质监.测指标与模.型的预测.指标进行.了处理,优化了BP.神经网络水.质模型的.模型输入.节点,避免了水质监测指标之间的相互影响,从而优化模型的网络结构,缩短模型的训练时间,达到了缩小水质模型模拟误差的目的,由模型的模拟情况来看,各个月份的预测值与监测值拟合度较高,极个别月份误差较大。所构建的GRA—BP模型在训练、检验、测试三个部分的回归R值分别为0.918、0.961、0.900,模型总的回归R值为0.921,接近于1,说明利用灰色关联度进行BP模型输入节点的优化得到的影响因子与总氮浓度存在着强相关性,表明了该模型的良好性能。在利用构建好的GRA-BP总氮预测模型在进行预测时,最大绝对误差为-4.83%,最小绝对误差为-2.91%,平均绝对误差为2.05%;说明所构建的模型泛化能力较好,同时拥有较好的预测性能。(2)基于NAR神经网络的水质预测模型针对研究对象,采用NAR神经网络技术构建了水质预测模型。为了使NAR模型具有较高实用性。采用一阶差分的方法对水库的总氮监测指标进行处理,从而为更好的确定NAR神经网络模型的延时阶数提供了帮助,进行自相关检测和偏相关检测;通过经验公式的选取,以及试凑法,确定了NAR神经网络的隐含层神经元个数;通过对样本数据的分析,确定了适用于本模型的训练算法;最后,通过NAR神经网络模型的自相关误差分析以及模型的响应分析和误差分析,完成模型的训练,可以为清河水库水质预测模型的构建提供新的方法