人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,近年来,随着人工神经网络理论和应用技术的日益完善,慢慢地成为各个学科的研究热点。本文在较全面阐述了ANN基本原理、优化算法的基础上,提出将BP神经网络引入水质模拟和水质评价领域,主要以三峡水库为例,在人工神经网络建模方法及其在水质模拟及评价的应用方面做了些探索性的研究。研究的内容主要有:首先,对BP神经网络的基本原理及推导过程进行详细阐述,并以长江朱沱至黄谦段为研究区域,研究入河污染物(CODmn、DO和BOD5)在水质监测断面朱沱和黄谦上的水质响应。选用了改进的BP神经网络模型——Levenberg-Marquardt规则训练前向算法的BP神经网络,建立能够反映研究区域中,下游断面污染物各水质响应指标与影响它的上游断面各参量之间关系的水质模型,分析和验证该方法的适用性。研究结果表明:据此方法建立的模型在预测精度上具有较高的优越性。用弹性BP算法建立了湖泊富营养化评价神经网络,并且对三峡库区次级河流龙溪河下游长寿湖富营养化进行了评价。运用长江三峡水质2000年监测数据,采用单因子评价法方法对三峡库区长江干流及其次级河流水质污染现状进行全面的、系统的评价。应用多元统计方法,采用SPSS10.0软件,对三峡库区长江干流主要监测断面的主要污染物进行了因子分析,用来揭示了三峡库区水质指标之间的相互关系及联系。在此基础上研究了模糊系统和神经网络这两种人工智能方法的长处和短处,并将它们有机地结合在一起。将模糊神经网络应用于三峡水库水质评价中,取得了较好的效果,为水质评价提供了一个新的方法。最后,本文在分析灰色预测技术和人工神经网络预测技术的优缺点后,针对它们的互补性总结出五种基于灰色系统和人工神经网络的综合模型,并选择串联型综合模型,通过对嘉陵江的监测数据的计算证明这种模型能有效提高水质灰色预测的预测精度。本文研究表明:用神经网络模型来进行水质评价和水质模拟在理论上可行,在实践上有继续深入研究开发的价值,具有良好的应用前景。