水质评价是进行水环境容量计算和实施水污染控制规划的重要基础。本论文首先对人工神经网络和模糊数学的基本理论进行了简要介绍，在分析两种理论在水质评价应用的基础上，构建了BP网络-隶属度串联模型(BPDM)和模糊神经网络模型(FNN)，对训练后的模型进行了实例测试，取得了令人满意的评价结果。 论文第三章介绍了水质评价BP网络-隶属度串联模型的原理、算法及其特征。BP网络不必对各评价指标权值大小做人为规定，只需学习五类水质标准就能自动掌握水质指标间的合理规则，评价结果具有客观性。训练后网络可对训练集以外的样本进行评价，计算简便，实用性强。不同于一般BP网络，BP网络-隶属度串联模型要将BP网络的输出作为模糊系统的输入，计算出实测样本属于各级水质的隶属度值，最终输出测试样本的具体水质类别。 论文第四章重点介绍了人工神经网络和模糊系统按学习结合型构成的模糊神经网络(FNN)的原理、算法及其特征。FNN网络的所有节点与参数都具有物理意义，并克服了ANN结构缺乏理论基础的缺点。FNN模型既能适宜于直接或高层的知识表示，又兼具ANN的自适应学习功能和非线性表述能力等优点。将FNN应用于水质评价领域是笔者的初探，通过实验研究证明，学习五类水质标准后的FNN能够正确评价其它水质样本，具有较好的客观性、可靠性及可解释性。 用安徽境内的河流断面的水质样本检验训练好的BP网络-隶属度串联模型和FNN模型，结果表明：串联模型和FNN模型的评价结果的准确率和精度都比较高，而后者的网络结构中各个节点及所有参数权值均有明确的物理意义，便于理解。将串联模型和FNN模型应用于水质评价都具有良好的应用前景，在理论上切实可行，在实践中更有巨大的意义。特别是对FNN模型，如果能在其模糊分割数及规则数的确定方面再做进一步的研究，应该能取得更好的评价效果。