BP神经网络是复杂非线性科学和人工智能科学的前沿，近年来，随着BP神经网络理论和应用技术的日益完善，慢慢地成为各个学科的研究热点。该论文在较全面阐述了BP神经网络基本原理、优化算法的基础上，提出将BP神经网络引入水质模拟和水质评价领域。因为三峡水库蓄水后，次级河流水体污染直接威胁水库的水质，故该论文选择长江次级河流临江河为研究对象，通过建立BP神经网络模型，对临江河回水区水质评价和预测，为三峡库区水质保护和防护提供依据。　　首先，临江河回水区划分5个监测断面，选取水温、溶解氧、pH、TN、TP、COD6个指标做了7个月监测，监测周期为10天，并对水质特征分析，选择COD、DO、TN、TP作为水质评价和预测指标。　　然后，在水质评价方面，本文选取5个断面的监测数据，确定了临江河回水区的评价标准。把水质标准用内插法生成神经网络的训练样本，构造单隐含层的神经网络结构，并选用了改进的BP神经网络模型——Levenberg-Marquardt规则训练前向算法的BP神经网络，建立神经网络评价模型。利用评价模型对临江河五个监测断面从2009年12月春到2010年六月的水质状况进行了评价。评价结果表明：整体上，临江河回水区水质都属于V类水质状况，同时上游断面水质略好于下游断面，枯水期水质略好于丰水期。　　在水质预测方面，选择河口断面和上游水电站断面作为研究对象，研究入河污染物COD、TN、TP在空间上响应及变化趋势。利用MATLAB数学软件的人工神经网络工具箱建立一层隐含层的BP神经网络，并反映研究区域中，下游断面污染物各水质响应指标与影响它的上游断面各参量之间关系，分析和验证该方法的适用性。由相对误差检验表明，所建神经网络预测模型预测精度等级为1级，预测精度良好，能对河流突发污染事件的后续效应进行正确预测。