水质预测是保障供水安全性的一项重要工作,通过一定手段对水源地水质未来一段时间的变化趋势加以预测评估,可以较为清楚地掌握水质可能的变化。特别是对于未来水质可能受污染而变差的情况,通过预测分析后能够提前采取相应措施,使水质变化对供水安全性的影响降到最低。由于水体环境非常复杂,各个水质因素之间的影响关系不明确,因此以建模为主要特征的传统水质预测方式普遍存在着操作繁琐、预测精度不高等问题。为了解决这些问题,本文提出了采用以智能计算为基础的BP人工神经网络算法对水质进行预测。依靠BP人工神经网络算法强大的非线性映射能力和自动学习、适应能力来分析处理复杂的水质关系。但在实际操作中,发现BP人工神经网络算法因为自身结构的特点,在误差反向传递过程中各连接层的权值阈值往往存在较大的调整幅度和次数,这一缺点使算法在运行过程中容易陷入局部最优解从而降低预测的精度。同时,在选择BP人工神经网络算法的输入层自变量时,因为水质监测指标众多,对于需选取指标的种类和数量没有明确的规定,选取的指标越多,虽然越能反映水体的真实情况,但也增加了许多不必要的信息,容易使算法对这些无关信息也进行学习,降低预测的精度,同时原始数据维度的增加也加大了运算的难度。为了解决上述问题,本文对传统的BP人工神经网络算法进行了相应改进。针对在算法模型构建过程中水质指标选取主观随意性大的问题,采用皮尔逊相关系数法和信息指标评价法相结合的方式,通过计算各水质指标的方差,进而计算出每个指标的信息持有度,最终以信息持有度大于80%作为选取自变量的标准;同时针对BP人工神经网络算法因连接层权值阈值过度调整导致的最终预测精度较差的缺点,采用能够在全局范围内进行搜索寻优的遗传算法进行改进,在BP人工神经网络算法运行之前事先赋予其一个相对较优的初始权值阈值,以减少后续过程中的调整,提高预测的精度。为了充分说明改进后的BP人工神经网络算法在进行水质预测时有更高的精确度,分别采用传统水质预测方式中的多元线性回归法、未改进的BP人工神经网络算法和改进后的BP人工神经网络算法对某水体2011年1月至2016年12月每个月的水质情况（以砷作为被预测指标）进行预测。通过对预测结果的分析,可以看到,传统多元线性回归法的平均误差为27.92%,未改进的BP人工神经网络算法预测误差为21.72%,改进后的BP人工神经网络算法预测误差为15.79%,其余评价指标也显示出改进后的BP人工神经网络算法具有更加良好的预测效果,说明本文的改进方式是行之有效的。