荧光分光光度法具有灵敏度高，取样量小等优点，已广泛地应用于无机、有机、生化、医药和临床检验等各个领域中。与分光光度法比较起来，荧光法的灵敏度要高2-4个数量级。但对多组分体系进行分析时，常因各组分发射光谱曲线相互重叠而变得十分困难，用荧光光度法不经分离同时测定多组分体系的报道较少。人工神经网络(Artificial NeuralNetworks，ANN)作为一种新的方法体系，具有非线性处理、自适应学习等特性，对于处理多组分同时测定中的非线性体系具有突出的优越性。本文将人工神经网络和荧光光度法结合起来，应用到多组分体系的同时测定中，结果令人满意。经BP网络处理得到样品的平均回收率在90.2％～109.4％之间，经GA-BP网络处理得到样品的平均回收率在95.8％～103.5％之间。结果表明：GA-BP网络比BP网络全局寻优能力更强，收敛速度更快、精度更高，在处理组分数更复杂的体系中有着更大的优势。本文的主要工作分为实验和数据处理两个部分： 实验部分，具体考察了每个实验体系中不同的实验条件对荧光强度的影响。按正交设计测量了不同浓度配比的混合样，并对苯酚、邻苯二酚、间苯二酚和对苯二酚四组分体系做了实际样品的测定。结果表明：对于Al<’3＋>、Ga<’3＋>、In<’3＋>、TI<’3＋>四组分体系，在pH=5.5和有表面活性剂CTMAB存在时，加入一定量的H<,2>QS荧光剂，在25分钟能达到最大的荧光强度值，并且在5个小时内很稳定：对于苯酚、邻苯二酚、间苯二酚和对苯二酚四组分体系，在PH=2～4时的荧光强度最大且在6小时内较稳定，并且以无水乙醇为溶剂时荧光强度有增敏：对于1-萘酚和2-萘酚二组分体系，在不加任何试剂和缓冲液的条件下，荧光强度大且稳定；对于色氨酸和酪氨酸二组分体系，加入pH=8的缓冲液荧光强度值大且稳定。 数据处理部分：对于四种不同体系，考察了BP网络和GA-BP网络的具体训练参数，得出各体系的最优网络模型，经所得出最优网络模型训练后对体系样品进行了预测，并分析了实际样品中各组分含量，同时比较了BP网络和GA-BP网络的处理结果。 1、Al<’3＋>，Ga<’3＋>，In<’3＋>，Tl<’3＋>四组分体系，BP网络训练参数：网络的拓扑结构34-25-4，目标迭代误差(mse)为0.01，初始权(阀)值的范围为[-1.0，1.0]，学习速率为0.02，动量因子为0.75，各层传递函数分别为logsig，sigmoid，purelin，网络的训练函数为Traingdx。GA-BP网络训练参数：种群规模50，选择概率0.1，学习速率为0.03，终止迭代的误差为0.005，网络拓扑结构：34-25-4。Al<’3＋>，Ga<’3＋>，In<’3＋>，Tl<’3＋>的平均回收率预报结果分别为：BP网络98.95％，107.70％，94.54％，96.60％；GA-BP网络99.26％，103.47％，98.79％，95.84％。 2、对苯二酚、邻苯二酚、苯酚和间苯二酚四组分体系，BP网络训练参数：网络的拓扑结 为0.03，各层传递函数分别为logsig，sigmoid，purelin，网络的训练函数为traincgb。检测 集(人工合成样)对苯二酚、邻苯二酚、间苯二酚和苯酚的平均回收率预报结果分别为： 102.14％，107.68％，109.37％，106.14％；实际水样对苯二酚、邻苯二酚、间苯二酚和苯酚 的平均回收率分别为：99.24％，93.69％，90.17％，103.93％。 3、对于1-萘酚，2-萘酚二组分体系，BP网络训练参数：网络的拓扑结构40-26-2,目标迭代误差(mse)为0.01，初始权(阀)值的范围为[-1.0，1.01，学习速率为0.03，各层传递函数分别为logsig，sigmoid，purelin，网络的训练函数为trainlm。GA-BP网络训练参数：种群规模50，选择概率0.1，学习速率为0.03，终止迭代的误差为0.005，网络拓扑结 构：40.26-2。1-萘酚，2-萘酚的平均回收率预报结果分别为：BP网络103.94％，98.30％； GA-BP网络100.92％，101.49％。 4、对于色氨酸，酪氨酸二组分体系，BP网络训练参数：网络的拓扑结构30-18-2，目标迭代误差(msc)为0.01，初始权(阀)值的范围为[-1.0， 1.0]，学习速率为0.02，各层传递函数分别为logsig，sigmoid，purelin，网络的训练函数为traincgb。GA-BP网络训练参数：种群规模50，选择概率0.1，学习速率为0.02，终止迭代的误差为0.005，网络拓扑结构： 30-18-2。色氨酸，酪氨酸的平均回收率预报结果分别为：BP网络102.99％；99.93％；GA-BP 网络101.03％，99.24％。