水质预测是水环境规划、评价和管理工作的基础。本文在分析水质预测的研究现状,掌握人工神经网络(ANN)的基本原理与算法、模糊数学和灰色系统基本理论的基础之上,将补偿模糊神经网络(CFNN)和灰色动态模型群应用到了水质预测领域,在水质预测方面进行了一些探索性的研究工作,为提高水质预测工作的精确性和可靠性做出了努力。本文介绍了CFNN的原理,网络结构和算法,并建立起一种具有快速学习算法、能够执行补偿模糊推理的补偿模糊神经网络水质预测模型,以克服常规模糊神经网络(FNN)的各种技术难点。将建立好的水质预测模型应用于天津空港水务公司纺织污水处理厂进水水质的预测中,最后得出了补偿模糊神经网络水质预测模型预测精度更高,拟合效果更好,预测数据更可靠的结论。此外,研究还发现,补偿模糊神经网络对于污水指标数值较大且数值波动频率相对平缓、规律性较强的情况,能够给出相当精确的预测结果,但对于浓度较低的污染物或波动频率较大的水质指标,补偿模糊神经网络预测模型所给出的预测结果就不是那么令人满意了,所以该方法如果被运用到需要精确控制出水水质的水厂指标预测中,可能并不能发挥它应有的优势。本文介绍了灰色系统的原理以及灰色动态模型群法的建模机理,根据初步研究,将灰色动态模型群法应用于水质预测中。根据灰色动态模型群法的建模机理,以浊漳河某河段的实际水质监测数据为研究对象,建立了相应的灰色动态模型群,以对模型的性能进行初步性能验证,并用同样的建模型群法以及验证方法对补偿模糊神经网络水质预测模型已预测过的天津空港物流加工区纺织污水处理厂进水水质同期指标再次进行预测,从而比较两种预测方法在某些特殊条件下的优劣,最终得出结论:在训练样本数值较大,较稳定的情况下,补偿模糊神经网络可以很好地发挥自己的学习性能,得出可靠的预测结果;而在训练数据基数小,波动频率较大的情况下,灰色动态模型群法则可以很好地发挥自己的动态优势,从而给出较精确的预测结果。两种方法各有优势,可以根据不同的情况来选用。