随着人类活动强度的增大,地下水污染程度日趋严重,已对饮用水安全和生态环境构成了严重威胁。因此制定科学合理的修复方案对地下水污染进行有效修复治理,具有重要意义。查明地下水污染源特征及污染质的时空分布是制定合理修复方案的必要前提。同时,还可为地下水污染风险评估提供依据,为地下水污染责任认定提供判据。地下水污染源反演识别研究对于地下水环境修复改善,实现人与自然和谐相处,经济社会绿色发展具有重要意义。目前广泛运用的最优化算法等确定性反演方法只能给出反问题的“最优解”、“点估计”,不能充分考虑数学模型、模型参数、观测数据的不确定性。而地下水污染源反演问题的最大求解困难即在于模型参数与观测数据的不确定性带来的问题的不适定。因此,最优化算法在反演问题中有其局限性,不完全适合反问题的特点。本文运用贝叶斯推理这一统计反演方法(或称概率反演方法)进行地下水污染源反演识别研究。它建立在概率论的基础上,变量被处理成随机变量,更充分利用先验信息,以概率分布形式来表达各种不确定性。因此它可以描述与表达地下水污染源反演识别问题中的不确定性,更符合地下水污染源反演问题的特点,并且以概率分布的形式给出反问题的解,信息量更大,更客观,更可信,精度更高。在常规Bayesian-MCMC算法基础上,进行步长变换,即根据样本值与真值的距离不同采用不同的搜索步长,使算法大步经过距真值较远处,而在真值附近以小步长精细搜索,此改进为进一步提高方法的计算精度、效率、稳定性。本文针对二维地下水稳定流,双点源污染分时段排放问题,通过地下水溶质运移数值模拟模型、替代模型、改进的Bayesian-MCMC方法等分析方法的综合运用,探索研究基于克里格替代模型和改进的Bayesian-MCMC方法的地下水污染源反演识别。首先建立地下水溶质(污染物)运移数值模拟模型。分别运用拉丁超立方抽样方法、最优拉丁超立方抽样方法在输入变量的可行域内抽样,并分析比较上述两种方法对抽样空间的覆盖程度大小。将抽样所得结果代入地下水溶质运移数值模拟模型中,运行模型得到相应的输出值。根据输入-输出样本数据集,分别研究应用径向基函数神经网络、克里格方法建立地下水溶质运移数值模拟模型的替代模型,并对比分析两种替代模型对模拟模型的逼近精度,甄选出更优的替代模型建模方法。基于甄选出的精度更高的替代模型,分别运用常规的Bayesian-MCMC方法和改进的Bayesian-MCMC方法对两个污染源各时段的污染排放强度进行反演,进行比较分析,对结果进行讨论、评估。通过本文的研究,主要得出了以下结论:(1)最优拉丁超立方抽样与拉丁超立方抽样相比,可有效提高样本点对抽样空间的覆盖程度。(2)运用Bayesian-MCMC方法进行地下水污染源反演识别时,调用模拟模型的替代模型,可大幅减小计算负荷,并保持较高的精度。克里格替代模型精度高于径向基函数神经网络替代模型。(3)运用Bayesian-MCMC方法进行地下水污染源反演识别,结果精度较高,稳定性较好。(4)在Bayesian-MCMC方法中加入步长变换,可较大幅度提高方法的计算精度、效率和稳定性。