渭河是关中地区经济发展的重要水源，同时也是地区容纳污染物的一条重要通道。近些年随着区域经济的快速发展，人们对水资源的过度索取以及各类污染物的大量排放，都造成了渭河水质的严重破坏。而高锰酸盐指数（CODMn）作为水环境监测中最重要且易得的有机污染综合指标之一，可以对水体中有机物的相对含量进行判断。本文在此背景下研究渭南潼关吊桥段CODMn浓度。　　目前对水体中CODMn浓度的预测研究多集中于长期预测，其缺点在于无法将政府对水环境的治理力度作为有效变量加入模型，故而长期的预测结果通常和实际的监测数值误差较大，失去了预测的实际意义。同时，短期的CODMn浓度预测研究较少，因而导致在应对水质出现恶化的情况时，很难提前做好必要的准备。本文基于时间序列分析、BP算法以及GA算法，通过建立ARIMA时间序列模型、BP神经网络模型以及GA优化的BP神经网络模型，研究渭南潼关吊桥断CODMn短期内的浓度变化，验证预测值与实际监测值之间的相对误差，得到了一种预测精度较为理想的CODMn预测方法。　　本文对近三年研究断面的CODMn浓度进行时间序列分析，验证原序列和一阶差分后序列的平稳性，建立了时间序列模型 ARIMA（1，1，1），模型拟合效果较好，预测结果表明短期精度较为理想，但当实际浓度变化与时间序列预测的总体趋势相反时，明显存在相对误差较大的问题。针对时间序列预测的不足，建立了BP神经网络模型，结果表明BP神经网络模型获得的预测结果相对误差较为理想，但存在收敛速度慢，易陷于局部最小值的现象。为了弥补BP神经网络模型的不足，进一步建立了GA优化的BP神经网络模型。通过遗传算法来对神经网络的初始连接权值进行优化，提高了网络搜索能力、加快了收敛速度、解决了易陷入局部最小的问题，结果表明遗传算法优化过的BP神经网络模型不论在CODMn的拟合过程还是预测结果上，较普通的BP神经网络，都更加理想，误差更小，更适用于短期CODMn浓度预测。