人工神经网络(ANN)和遗传算法(Genetic Algorithms简写为GA)是复杂非线性科学和人工智能科学的前沿，其在水污染控制领域的应用研究在国内外尚处于初创阶段。本文在较全面分析评述了水污染控制方法研究现状，及简要介绍ANN和GA的基本原理、优化算法的基础上，在国内首次将ANN方法中的离散Hopfield网络(Discrete Hopfield Neural Networks简写为DHNN)和GA引入水污染控制规划领域，主要在水污染控制方案优化方面进行了一些探索性的研究工作，为提高水污染控制方案优化水平做出努力。 本文根据水污染控制的特点及Hopfield网络能量函数在一定的条件下收敛于一定区域最低点的特点，通过对DHNN能量函数的合理设计，把水污染控制方案的费用转化为DHNN的能量函数，即使水污染控制方案费用最低的方案与DHNN能量函数的最低点相对应，提出了水污染控制方案优化DHNN模型，并从数学上严格推证了DHNN能量函数的收敛性。实例研究表明：DHNN得到的最优方案充分利用了自然水体的环境容量，而且，在选择优化方案的过程中，当某一控制断面的某种污染物超过规定的水质标准时，DHNN首先采用能减少该控制断面某污染物贡献单位浓度费用最低的方案组合，因而可以很快得到最优方案组合。 GA是一种具有普适性的数值求解方法，且对目标函数的性质几乎没有要求，甚至不要求显式地写出目标函数。GA用于优化计算时，不能直接处理问题空间的参数，而只能处理以基因链码形式表示的个体。本文巧妙地把遗传算法的基因链码同水污染控制方案相结合，即采用实数编码的形式，用实数1，2，3来分别表示各个污染源不处理、一级处理、二级处理的情况，同时，把个体的适应度函数同方案组合的总费用相对应，使得方案组合总费用最小的个体的适应度函数值最大，这样，由GA得到的优秀个体就对应于最优或逼近最优方案。实例研究表明：由于GA是随机选取初始值，且在算法上尚存在不足，从而导致GA得到的结果在最优解附近振荡。但是，由于GA在运行中始终保留一定数目的优良个体，因此，这些结果应当是最优或逼近最优结果的集合，即GA得到的结果均收敛于最优解的邻域内。决策者可以通过可行性、经济性、和科学性的比较从中找到最优方案。 本研究表明：用DHNN和GA来进行水污染控制方案优化在理论上可行，在实践上有继续深入研究开发的价值，具有良好的应用前景。本研究为水污染控制方案优化提供了一种新方法，开辟了一条较好的新途径，也为ANN和GA的应用增添了新领域。