分析化学发展到今天，分析的对象已经是越来越复杂，分析化学家们对简单易行且行之有效的方法更为感兴趣。对于复杂的分析体系，不经分离而直接进行多组分同时测定一直是分析化学工作者研究的主要目标。当今大多数仪器分析方法都是相对测量方法，要通过分析信号的校正来计算被测组分的含量，特别是在多组分同时测定时，数据的拟合与分析信号的校正是一个重要的问题。如用分光光度法对多元体系中各组分进行分析时，常因各组分吸收曲线相互重叠而变得十分困难，人工神经网络方法可以有效解决多元体系中各组分间工作曲线相互重叠的问题。 本文就人工神经网络在多元体系中多组分同时测定的实际应用过程中存在的问题进行研究，并给出了两种常用网络——RBF网络和BP网络—在实际体系中应用结果的比较。 本文的具体工作主要体现在： 考察了对于不同体系，两种网络具体的训练参数，得出最优网络，经训练后对体系进行预测，并分析实际样品中各组分值。 ①对于三组分体系(Cd2+、Pb2+、Zn2+)，RBF网络的训练参数为：网络的拓扑结构20-16-3，扩展常数7.0；BP网络的训练参数为：网络的拓扑结构34-30-3，学习速率0.02，动量项0.75。两种网络的预报结果：RBF网络平均回收率分别为98.4％，97.9％，102％，BP网络的平均回收率分别为95.3％，94.2％，105％。 ②对于二组分体系(Fe2+、Fe3+)，RBF网络训练参数为：网络的拓扑结构21-13-2，扩展常数4.0；BP网络的训练参数为：网络的拓扑结构21-25-2，学习速率0.02。两种网络的预报结果：RBF网络平均回收率为102.0％，101.5％；BP网络平均回收率为97.0％，103.0％。 ③对于四组分体系(苯酚、邻苯二酚、间苯二酚、对苯二酚)，RBF网络训练参数为：网络的拓扑结构31-21-4，扩展常数11.5，预报结果：回收率为95.7％，109.2％，103.4％，96.6％。