藻类水华是目前全世界共同面临的重大环境问题之一,不仅破坏水体生态环境,危害人类健康,而且威胁水资源的可持续利用和开发,给社会造成巨大的经济损失。对水华的发生进行准确预测可使有关部门提早采取应对措施,降低损失,因此,水华预测意义重要。藻类水华的发生是物理、化学和生物因素的共同作用,具有复杂性、非线性、时变性等特点,因此难以实现准确预测,而提高精确度的关键是建立合理的预测模型。时序神经网络预测模型结合了时间序列和神经网络各自的优点,能够实现输入、输出间复杂的非线性映射关系,可作为藻类水华预测的有效方法。本文以客观条件差别显著的东莞松山湖水库(深、浅层)及于桥水库水体为研究对象,对其藻类水华预测进行探讨,主要研究内容与成果如下：(1)提出了一种时间序列RBF/BP神经网络预测模型。(2)分析了松山湖水库水质数据的时空分布规律,建立了多元线性回归预测模型及输入步长不同、水质数据采样周期不同的时序RBF/BP网络藻类水华单、多变量预测模型。结果表明,智能模型的预测效果较好,且其预测精度受水质数据采样周期影响,采样周期相对较短时所建模型的预测效果较好。采样周期较短时,时序RBF网络多变量预测模型的容错、抗噪能力较强,但时序RBF/BP网络多变量模型的预测效果没有明显好于单变量模型,运用曲线估计、平均影响值方法分析藻类总数与水质因子的相关性,验证了单变量预测模型的可行性。(3)针对于桥水库,建立了时序RBF网络多变量预测模型,预测效果较好,扩展了该模型的普遍适用性。提出了自动筛选网络参数spread最优值的优化算法及训练样本量寻优问题,构建了改进的预测模型,可确定spread局部最优值及保证预测精度所需最少训练样本数,具有较强的实际应用价值。