三峡库区水环境保护问题一直是国家重点关注的问题,关系到国家的经济建设和长治久安。而三峡库区由于其水文环境复杂,进行水质评价时评价因子较多,且存在冗余信息,所以在进行水质评价的时候既要保证建立正确评价模型,又要考虑到降低模型的复杂性,增强模型的可理解性。本论文工作主要来源于三峡库区水污染重大事件科学决策关键技术研究项目下的一个子课题:三峡库区水环境安全综合信息分析系统。在分析三峡库区水环境各项数据的基础上,依据数据的特点,采用粗糙集和人工神经网络相结合的方法来建立水质评价模型。粗糙集方法在不需要先验知识的情况下能够去除冗余信息,依据属性重要度挑选出适合进行最终评价的评价因子。人工神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力,已在水质评价方面广泛应用。粗糙集和人工神经网络结合的方式有多种,本文主要分析了粗糙集用于数据预处理,作为处理器前端的结合方式和粗糙元神经网络这两种结合方式,以及将这两种结合方式再进行结合的粗糙集作为处理器前端,粗糙元神经网络作为处理器后端的评价模型。粗糙集用于数据预处理,作为处理器前端的结合方式主要是指用粗糙集方法对数据进行约简,去除冗余信息,减少评价指标,将处理好后得到的评价指标作为人工神经网络的输入,再用BP神经网络进行建模评价。该结合方式减小了数据集的规模,一方面提高了数据的代表性,减少了噪声的干扰,从而使训练出来的神经网络不容易出现“过拟合”现象,另一方面减少了训练数据,使训练时间得以减少,提高了效率。粗糙元神经网络主要是指针对输入的数据是不确定的、非精确值或范围值的时候,改造神经网络的传统神经元为由一对上下神经元组成的粗糙神经元,由此构成的神经网络处理能力更强,在处理范围值时能够得到更高的精度。本文以三峡库区水环境数据为背景,将两种结合方法应用到实际系统中,实验对比了这两种结合方法,得出结论为:在实际系统中,粗糙集作为处理器前端,粗糙元神经网络作为评价模型的结合方式既能在提高运行效率基础上得到正确的结果,又能得到影响水质评价的指标因子集合,提高了系统的正确性和可理解性。所以最终在三峡库区水环境安全系统中选用该结合方式进行水质评价。