随着科技的不断进步,众多的新兴技术不断被提出,如人工智能(Artificial Intelligence,AI),物联网(Internet of Things,IoT),云计算(Cloud Computing)等。物联网技术作为新一代信息技术的重要组成部分,更是在各类场景中被人们深入研究,如智慧城市、智慧家居、环境监测等。物联网的产生极大地提高了人们生活的便利,但伴随着传感器设备类型和数量的不断增加,需要处理的数据量也在不断增加,如何高效准确地处理众多数据一直是人们研究的重点问题。物联网的数据具有海量性、异构性、实时性等特征,因此数据的融合处理是一个难点问题,也是一个值得研究的问题。神经网络(Neural Network,NN)作为数据融合(Data Fusion,DF)的一种方法,在众多类型的数据融合方案中表现了其强有力的优势。它对人类脑部神经元进行抽象,从信息处理角度,建立各种不同的模型,从而通过连接方式的不同来组成不同的网络,可用来分析和预测。神经网络的优点众多,也存在不足之处,如陷入局部最优,泛化能力差等。因此,在实际应用中常常使用其他算法与之结合来克服其缺点。在这些算法中,对启发式算法的运用研究最多,众多启发式算法相继被提出并应用在不同的物联网场景上。本文对物联网、数据融合、神经网络等理论进行研究。对其中的一种常见的神经网络算法,即反向传播(Back Propagation,BP)神经网络算法的不足之处和常见的利用启发式算法改进的思路进行分析。提出一种利用海鸥优化算法(Seagull Optimization Algorithm,SOA)改进BP神经网络的模型,并针对具体的水质参数预测场景对提出的模型进行性能分析验证。针对海鸥优化算法本身的不足提出一种改进思路,并利用基准函数对提出的改进算法进行性能验证。使用新的算法运用到对神经网络的改进上,得到一种新的模型即改进海鸥优化算法(Improved Seagull Optimization Algorithm,ISOA)改进BP神经网络的模型。仿真结果表明,提出的改进算法在预测精度上有显著的提高,可更好的应用于实际中。