人工智能（Artificial Intelligence）是人类发展到计算机时代的又一个梦想，为知识学习和获取自动化、知识表达方式普适性、搜索求解高效率和全局化、智能体活化于环境等多个方面统提供了可能。为满足水土工程深入研究及复杂系统建模优化的需要，本文针对水土工程系统特有的复杂性，以人工智能技术中重要分支人工神经网络(Artificial Neural Network简写ANN)和遗传算法(Genetic Algorithm简写GA)为建模、系统优化工具，水土工程系统中土壤作物大气（SPAC）为研究对象，充分利用人工智能技术的自适应能力、非线性、全局优化等特点，将其运用于该领域多个问题的解决中。就人工神经网络、遗传算法在参考作物腾发量（Reference Crop Evapotranspiration简写ET0）和作物水盐响应（Crop Response to Water-Salt简写CRWS）中的运用进行了探索性的研究，为水土工程领域复杂系统多参非线性问题的求解开辟了新路。论文取得了以下研究成果：(1)在分析气象因子与ET0相关性的基础上，将ANN运用到了ET0的计算模型研究中。建立了小尺度区域ET0的4因子（辐射、温度、湿度、风速）和3因子（辐射、温度、湿度）ANN模型，提出了各自的适用条件。在非冻期，4因子模型能有效地表征气象因子对ET0的影响，有较高的精度；风速不大时，可忽略风速对ET0的影响，3因子模型有一定的精度，可满足生产的需要。对大尺度区域（北方干旱寒冷区）的ET0时空变化及其相关性进行了研究，提出了不同子区域的ET0线性模型。在此基础上，建立了适合不同子区域的ET0的ANN模型，同时对模型进行了评价。研究表明，由于ANN的非线性、自适应性等优点，使得所建ET0的ANN模型精度高。此研究是传统ET0计算模型的补充。(2) 在含盐土壤节水灌溉试验的基础上，针对作物水盐响应的复杂性，充分利用ANN表征多参非线性关系的优点，将ANN引入作物水盐响研究中。通过因子分析、网络结构分析，建立了作物（油料向日葵）水盐响应的10因子和6因子人工神经网络模型（BP-CRWS）。经检验，此2种模型的模拟精度均较高，考虑到模型的复杂性等，研究中推荐使用6因子模型。运用所建立的模型进行了作物水盐响应敏感性分析研究，得到中轻度含盐土壤中油料向日葵在现蕾期对缺水最敏感，其次是开花期和苗期；而在重度含盐土壤中，油料向日葵对缺水敏感由大到小依次是苗期、现蕾期、开花期。这一模拟结果与试验结果相一致。此研究为作物水盐响应及相关研究开辟了新路。(3) 在作物水模型及作物水盐响应相关研究中，目前多采用最小二乘法进行参数<WP=3>寻优，动态规划法对系统进行优化。这些传统的优化方法往往不可避免地会陷入局部最优点。作为模仿生物进化论的遗传算法为全局优化提供了新的思路。本文将GA运用到了作物水盐响应的相关研究中。运用基于实码的加速遗传算法(RAGA)优化求解了春小麦作物水模型的敏感系数。结果表明，遗传算法所与最小二乘法所求得敏感系数对作物的适应性相当，但前者由于人为控制了系数的范围，所得结果合理。通过GA-ANN耦合模型的建立求解了不同含盐程度土壤中作物（油料向日葵）的适宜含水率。分析研究表明，GA能避免传统优化算法的限入局部最优点的缺点，为水土工程系统非线性多参寻优提供了捷径。目前人工智能技术在水土工程研究中的应用大多属于尝试性，本研究将ANN和GA运用到了ET0和CRWS的建模及参数寻优中，初步证明了其在水土工程研究中的可行性，旨在起到抛砖引玉的作用，使得水土工程中的一些常规解析法、常规优化方法难以解决的复杂问题得以解决。