本文在分析评述有机污染物定量构效关系(QSAR)建模研究现状、人工神经网络(ANN)和遗传算法(GA)的基本原理、优化算法的基础上,针对从化合物结构衍生出来的诸多变量中选择描述变量较难、采用ANN进行QSAR建模中存在的输入节点难以确定和局部收敛等问题,提出了反向传播人工神经网络(BP-ANN)和遗传算法(GA)辅助式结合和合作式结合两种方式进行QSAR建模的方法策略,并编写出相关计算机程序.本文首先开展了BP-ANN与GA辅助式结合进行QSAR建模的方法研究,利用GA的全局搜索能力,在众多的化合物结构描述变量中选择出参与建模的结构参数作为ANN的输入节点,再利用ANN强大的非线性建模能力进行建模.将自编的程序用于实例研究,结果表明:利用GA能有效地确定问题变量的最佳组合,并能同时获得多个高质量的QSAR模型,其给出的结构与活性之间的关系信息更为全面、正确.BP-ANN建模过程归根结底是连接权重的学习过程,一般采用误差梯度下降法来调整网络权重,要克服ANN所固有的收敛速度慢、局部极小值问题,必须摒弃单纯利用梯度法学习权值的策略.本文开展了BP-ANN与GA合作式结合进行QSAR建模的方法研究,采用GA对网络权值进行编码,将权值的学习过程转化为GA和BP-ANN共同学习进化的过程.首先利用GA产生若干不同初始网络权值的模型,再利用BP-ANN使权值迅速接近最优解,二者交替,最终实现网络收敛到最佳解.将自编的程序用于实例研究,结果表明:该方法很好地克服了BP算法存在的过拟合和局部最优问题,提高了网络的训练速度和学习精度.本文还探讨了ANN模型的解释能力.模拟BP梯度下降推导连接权重的修正过程,推导出单一输入的变化对输出影响的偏微分公式;同时对Garson等人提出的权重方法作了合理的简化.实例研究表明:通过以上两种方法的结合,能准确地获得各变量的重要性关系,并定量的给出各变量对输出的影响水平,极大地提高了ANN模型的解释能力,为ANN在QSAR建模中的应用拓展了思路.