科学的水质预测是水环境规划、评价与管理的依据,对促进水环境保护和水资源的可持续利用具有重要的现实意义,水质预测已经成为广受环境工作者关注的重要课题。灰色预测和神经网络预测是目前比较常用的水质预测方法。本文利用嘉陵江磁器口断面2006年的总磷浓度监测数据建立了传统的灰色预测模型和改进的灰色预测模型,预测结果显示,预测精度最高的不一定是改进的灰色模型,并且不同数量数据、不同方法建模,其结果大不相同。研究结果表明:单一的预测方法在实际预测中预测效果不稳定,在适用上具有局限性和风险性。灰色模型与神经网络在水质预测中具有各自的优势和不足,灰色预测模型主要用于趋势性强、波动不大的短期水质预测问题,在数据较少的情况下,可以获得比较准确的预测结果;神经网络能预测无序、波动的时间序列,在长期水质预测中有较大优势,并且在原始数据比较多的情况下能够跟踪水质数据的变化,可以获得比较准确的预测结果,但是在数据较少的情况下,预测的效果比较差。本文基于灰色模型预测与神经网络预测的优势互补性,利用嘉陵江的监测数据建立了灰色神经网络预测模型,预测的平均相对误差为2.85%。研究结果表明,灰色模型与神经网络进行组合应用于水质预测能够有效提高水质灰色预测的预测精度。本文在传统灰色神经网络模型的基础上做了进一步改进,将三类改进的灰色模型与神经网络进行组合,得到改进型灰色神经网络组合模型,将一维序列通过三个改进的灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构。将改进的组合模型应用到嘉陵江磁器口断面总磷浓度的预测中,研究结果表明:(1)用改进的组合模型进行预测,相对误差均在5%以下,预测精度较高,取得了较理想的预测效果;(2)利用相同数据建立的GM(1,1)、WPGM(1,1)、pGM(1,1)、CGM(1,1)、传统灰色神经网络模型、改进型灰色神经网络模型的预测平均相对误差分别为7.19%、6.07%、9.65%、9.44%、2.85%、2.59%,与单一灰色预测方法和传统灰色神经网络模型相比,改进型灰色神经网络模型的适应能力和预测推广能力更好,预测精度更高。