近年来,由于过于注重经济发展而忽略了生态环境所导致的环境污染、资源紧缺等情况变得日益严重,水资源的保护则是生态保护其中最重要的一环。因此通过建立相关预测模型,根据已经监测到的数据来对水体未来一段时间内的各项指标变化情况进行趋势预测就变得尤为重要。本文研究水质预测模型,旨在通过挖掘分析隐藏在水质数据背后的规律性信息来借此推断水质数据的变化趋势。具体工作概括如下:（1）首先建立果蝇优化广义神经网络水质预测模型。利用果蝇优化算法具有的全局寻优特性可以对关键参数进行寻优的特点,结合广义神经网络的高精度逼近能力,建立水质预测模型。实验结果表明,果蝇优化广义神经网络水质预测模型在溶解氧、温度、总氮以及总磷的训练中均方根误差分别为0.1648、0.2503、0.1266和0.1111,与经典的水质预测模型相比不仅有更稳定的预测曲线,还在四项水质指标的整体预测中均展现了较好的预测精度。（2）针对水质数据的非线性特性,引入处理非线性信号的经验模态分解技术建立集合经验模态分解果蝇优化广义神经网络水质预测模型。其原理是先利用集合经验模态算法来对处理过的数据进行数据分解,按照趋势分解出不同的固有模态函数分量再分别进行预测,最终将预测结果相加从而得到更加精确的数据。实验结果表明,该模型在溶解氧、温度、总氮和总磷预测中的均方根误差分别为0.079、0.1442、0.0799和0.0567,预测精度较果蝇优化广义神经网络模型有较大提升,而且在与其他实验模型的对比中也是预测误差最小的,具有较好的稳定性、泛化能力以及预测精度。（3）将本文所提模型设计了水质预测系统用于方便用户以及管理人员操作,主要实现了输入待检测数据、数据预处理、选择网络模型并展示预测结果等功能。并通过实例验证了系统可以正确运行且完成水质预测。该论文有图37幅,表29个,参考文献68篇。