近年来,经济和社会快速发展的同时,大量富含氮、磷等营养物质的工业废水和生活污水,极大地加剧了水体的富营养化程度,导致藻类水华季节性的大面积暴发,严重威胁到广大人民群众的饮用水安全,正在引起全世界的关注。为了将藻类水华所带来的损失降到最小,做好暴发前的监控预警及准确预报便显得非常重要。由于藻类水华产生过程存在复杂性、非线性、时变性等特点,其准确预测一直都是一个国际性难题。目前有关水体富营养化及其影响因子的关系分析和现状评价研究很多,但是预测预报的研究成果很少,对于藻类变化规律及其预报方法的研究就显得尤为重要。结合课题实际应用背景,本文针对饮用水水源地藻类水华尝试建立有效实用的非机理性预警模型。本文的主要研究内容如下：(1)研究了藻类水华的发生机制。从藻类自身生理特征和外部条件出发,探究藻类水华暴发的原因,为预测模型的建立提供理论依据；列举了藻类水华带来的严重危害,指出本文的研究意义。(2)建立了藻类水华预测模型。通过研究国内外现有藻类水华预测方法,比较了各类模型的优点与不足。在结合时间序列法和神经网络各自优点的基础上,建立了适合课题实际应用的前向型神经网络时间序列预测模型。(3)藻类水华预测模型仿真与结果分析。以某一试验水池作为研究对象,利用采集到的水质数据,分别建立以叶绿素a为预测指标的单变量和多变量模型,并以于桥水库作为实际应用验证。结果表明,该模型具有很强的灵活性和实用性。(4)藻类水华预测模型的优化。针对BP神经网络初始权值和阈值的随机性限制了模型预测精度的问题,采用遗传算法对其进行优化,进一步提高了网络的泛化能力。(5)藻类水华预测模型训练样本数的研究。提出了一种依靠可自优化的RBF神经网络来确定最少训练样本数的方法,同时能保证模型预测性能要求,具有很强实际应用价值。