核设施在设计、建造和运行过程中已经采取各种措施降低严重事故发生概率，但切尔诺贝利事故和日本福岛核事故表明严重事故仍有可能发生。严重事故将有可能导致严重的放射性后果，准确的后果预测与评价能为防护行动决策和缓解事故后果提供科学的依据。判断事故严重程度和源项估算是后果评价中关键环节之一，正常情况下安全壳内相关仪表读数可以用于帮助掌握核电厂工况，但事故发生后的复杂环境（例如停电、失火、水淹、强辐射）将有可能影响这种判别方法的可靠性。在这种情况下，根据环境监测数据来反演事故源项对上述源项估算方法是一种有效的补充。本文研究一种基于卡尔曼滤波核事故源项反演方法，实现核事故源项实时反演，为严重事故时源项估算探索一种可选择的途径。研究内容如下：　　基于高斯多烟团大气扩散模式构建观测方程，以I-131核素浓度监测数据为观测矩阵，I-131核素释放率为源项反演目标，采用 MATLAB程序构建基于卡尔曼滤波算法的核事故源项反演模型。利用土地利用数据、地形数据和实时气象数据，采用CALPUFF软件系统获取数值实验所需的核素浓度数据，以反演速度、反演释放率和真实释放率之间的平均相对误差为参考，研究协方差传播方式和初始释放率的选取对模型反演准确度的影响，对模型中监测点位置、协方差和初始释放率等参数进行优化。　　针对模型不能良好适应释放率非线性变化的问题，引入自适应算法和无迹卡尔曼滤波算法，提高模型对非线性条件的适应能力，结果表明经自适应算法和无迹卡尔曼滤波优化后，释放率反演平均相对误差均显著降低，释放率非线性变化情况下平均相对误差下降可达35.11％。　　为解决基于高斯多烟团模式的量测方程导致的局部时间范围内反演模型不稳定的问题，使用BP神经网络对反演模型中的量测方程进行优化。以时间、风速、风向、稳定度、监测距离、温度和、环境监测数据作为输入，释放率和量测方程矩阵元素作为输出，研究 BP神经网络中相关参数对模型优化的影响规律。研究结果表明，经 BP神经网络优化后，模型准确度明显提高。释放率恒定情况下，BP神经网络卡尔曼滤波核事故源项反演模型平均相对误差较小，平均相对误差为4.94%，释放率变化情况下，BP神经网络无迹卡尔曼滤波核事故与项反演模型反演结果较好，平均相对误差为24.34%。