针对水环境污染的治理与保护,需要科学的水环境评价方法对水环境进行分类。我国目前采用单因子评价法,评价原则为“一票否决制”。这种评价方法具有简单直观,易于操作的优势。但是,单因子评价法在水质监测数据上存在数据利用不从分,评价结果过于悲观的缺点。本文基于云南省洱海流域信息化项目,针对洱源县永安江的水质监测数据采用主成分分析法、BP神经网络、PSO-BP算法进行水质评价研究。研究过程中发现主成分分析法所构成的评价函数物理意义不明确,并且评价过程中不能对污染物中影响程度较大的指标进行重点评价。针对主成分分析法以上不足,改用人工神经网络评价法对水质评价工作进行建模,采用BP神经网络算法对水环境质量进行综合评价。BP神经网络算法具有良好的非线性映射和自学习能力,对具有非线性复杂关系的水环境质量评价工作,结果更有针对性、物理意义更明确。但是,BP神经网络算法有易陷入局部极值点、收敛速度慢、泛化能力弱、对网络初始化参数敏感的缺陷。针对BP神经网络水质评价模型的缺陷,本文考虑使用粒子群算法对BP神经网络的网络参数进行优化。由于粒子群算法具有全局搜索能力强的优点,通过粒子群算法对神经网络的连接参数进行优化,弥补神经网络算法对网络参数初始化设置敏感以及容易陷入局部极小值点的不足。同时,粒子群算法易于实现、结构简单,与其他算法容易结合;粒子群算法采用并行运算,运算速度快,资源利用率高。将两种算法结合以后,提高了神经网络算法的收敛精度和泛化能力。但是,在对BP神经网络进行优化的过程中引入了新的变量和迭代过程,也增加了算法的运行时间。最后,对粒子群算法中惯性权重衰减函数的改进,在保证评价算法收敛精度的条件下,提高了算法的收敛速度,减少算法运行时间。通过实验仿真,验证了改进的评价算法在收敛精度保持一定的条件下,减少了算法运行时间。