核电发展史上的三次严重事故对人们敲响警钟。快速准确地预测与评价事故后果,可以为核应急措施决策提供科学依据。其中,反应堆事故工况下事故源项估算是核事故后果评价的核心环节,依据反应堆监测仪表读数或事故安全分析报告获取对应工况下的源项信息是估算源项的常用手段。但严重事故会影响堆内仪表的准确性,而且预先设置的事故类型并不能包含所有真实情况。通过场外监测数据结合放射性物质大气扩散模式,利用合适的数值算法来反演事故源项是事故工况下估算堆内源项的辅助方式。BP神经网络具有良好自行适应、自主学习以及非线性映射能力,是解决该问题的有效算法。本文针对BP神经网络核事故源项反演模型存在的对输入样本依赖性较强引起的泛化能力差、学习速度慢导致网络易陷入局部极小值等问题进行优化,为核事故后果评价和决策提供参考。事故工况下,影响事故后果的因素较多。在核事故源项反演过程中,释放高度、混合层高度、风速、风向、降水类型、大气稳定度、离堆芯不同距离处的放射物剂量率等因素均为BP神经网络训练的输入样本。为解决样本数量过多导致的神经网络训练结果紧密依赖于输入样本,且网络模型的逼近和推广能力很大程度取决于样本典型性的问题,本文利用主成分分析法、平均影响值算法和随机森林算法三种特征处理方法对源项影响因素分别进行预处理,用MATLAB构建BP神经网络核事故源项反演模型。其中,将处理后的数据作为BP神经网络输入样本,从核电站释放到环境中的I-131的释放率作为神经网络的目标输出。通过InterRAS获取39200组数据,选取其中的30000组数据进行神经网络训练,剩余9200组数据用作测试。研究结果显示,利用特征处理方法优化的BP神经网络反演模型与传统BP神经网络相比,模型训练时间减少,反演速度平均提高15%,测试相对误差减小约11%,并且模型稳定性良好。BP神经网络模型存在对初始权值和阈值参数敏感、易陷入局部极小值以及收敛时间长的问题。本研究选用同时具有全局搜索和局部优化的能力,且收敛速度快、全局优化能力强的思维进化算法和量子遗传算法优化网络初始权值和阈值,可以改善BP神经网络算法的缺点。结果表明,相比于BP神经网络,反演速度平均提高16%,测试相对误差约减小24%,反演模型的稳定性和准确性有所提高。在事故发生时,所建模型可以作为一种获取事故源项信息的方式,为核应急提供决策支持。