水质评价作为水环境保护的一项重要措施,近年来不断有研究学者投身到这个科学领域,国内外对于水质评价的研究已提出了多种方法及模型。本文例举了一些常用的传统水质评价方法并分析了这几种方法不同程度上存在的局限性,并在前人研究的基础上利用了几种基于神经网络的地表水水质评价模型对水质进行评价。本文研究了利用BP神经网络、概率神经网络和遗传算法优化的神经网络建立的三种水质模型,对同一个样本数据进行分类评价。研究的主要内容有:针对吉林敦化新甸段的水质断面的地表水水质,选取了“COD、CODMn、BOD5、石油”四项指标组成的研究样本。为了取得良好的训练效果,针对这些指标的标准再结合地表水水质标准对样本数据用随机插值的方法进行了样本的扩充。本文首先阐述了BP神经网络、概率神经网络和遗传优化算法的基本概念、原理,分析了各个神经网络的特点以及存在的局限性。通过BP模型、PNN模型对水质样本模拟得出的结果说明了神经网络水质评价的可行性。由于BP神经网络在某些问题的处理上有一定的局限性,所以结合BP网络和遗传算法各自的特点,将全局搜索能力比较强的遗传算法与BP结合构建了一种稳定、收敛快速、鲁棒性高的水质评价模型。模型结合遗传算法的忧点对BP的权重和阈值做出调整,从本文的每个实验的仿真结果可以看出改进后的BP网络不仅使迭代的次数减少,网络的收敛速度和准确率都有很明显的提升。本文的研究表明,神经网络对水质分类的评价方面在理论上是可行的,在实际应用中有待进一步的研发,本文的研究也为神经网络的发展做出了一些贡献。