水环境是全球自然生态环境中不可或缺的一部分。目前,我国愈发严峻的污染态势,使水环境的保护和治理更加被重视。水质预测是水环境研究的重要内容,是现代环境科学理论研究的重要课题之一。针对洱海流域的弥苴河水质的特点,考虑到水环境系统的复杂性,提出了基于 PLS(Partial Least Squares)和 SVR(Support Vector Regression)弥苴河水质预测模型,本文主要研究成果如下:针对主成分分析法在对水质预测模型输入变量提取主成分时,对水质预测模型输出变量的解释能力比较差而导致水质预测模型预测精度下降的问题。本文采用偏最小二乘回归法对水质预测模型输入变量进行成分提取,使得提取出的成分在最大限度的解释输入变量的同时对输出变量的解释能力也达到最大。这样,在减少水质预测模型输入变量的同时也提高了预测精度。针对BP神经网络(Back Propagation Nerual Network)对小样本数据泛化能力差,模型输出不稳定的问题。本文采用支持向量回归机对弥苴河水质数据进行非线性回归,较好的解决了小样本数据的训练学习以及预测精度的提高。针对遗传算法的寻优效率不高,容易陷入局部极小值的问题,本文提出了改进型遗传算法,动态调整交叉和变异的概率。在提高寻优能力的同时对支持向量回归机的初始参数进行优化。本文在大理州洱海水质监测站弥苴河水质数据基础上,将本文提出的模型应用于弥苴河水质预测,并和目前常用的基于PCA(Principal Component Analysis)和SVR水质预测模型以及改进型遗传算法优化BP神经网络水质预测模型进行对比。仿真实验结果表明,本文提出的水质预测模型预测结果的准确性和稳定性相比于其他两种模型都有了 一定的提高。