紫外光(UV法)COD检测技术因其具有无污染、测量快速、实时性好、易于做到在线监测等独特优势,已成为COD检测研究的热点,而紫外吸光度数据的处理与分析是UV法COD在线监测系统研究中的一项重要内容。如何建立吸光度数据与有机污染物浓度之间的数学模型以及提高模型的泛化能力是其中的关键,对于UV法水质COD在线检测的深入研究与实现具有重要的意义。在总结目前已有COD测量方法的基础上,针对常规UV法对于浊度和水质变化比较敏感的缺陷,结合神经网络对非线性模型的良好辨识能力,提出基于广义回归神经网络的COD快速检测方法,通过测试系统搭建及相关软件设计对该方法的可行性和有效性进行了验证。采用多波长在线扫描技术获取被测水样COD的光谱数据,通过特征提取手段简化样本数据,运用广义回归神经网络(GRNN)建立吸光度数据与COD值的预测模型。同时,对具有不同COD值的水样光谱数据采用多种建模方法进行分析比较,GRNN预测模型在网络训练速度和预测精度等方面有着良好的综合性能。实验数据验证了该模型具有很好的拟合和泛化能力。理论分析与试验结果表明,基于广义回归神经网络的COD检测方法具有良好的预测、泛化与非线性处理能力。通过对样本数据建立预测模型,可快速地根据水样的UV吸光度数据估算相应的COD值,为污水COD值的在线检测提供了一种行之有效的方法。