近几年来,随着我国经济的飞速发展,生态环境破坏严重,科技进步与生态环境不协调发展所带来的压力日趋严峻。水资源短缺与水环境污染等情况表现严重,对我国水环境进行科学管理和有效保护有着极为重要的意义,对未来水环境质量进行预测是水资源保护的重要手段。本文以京津冀区域某个国控断面的地表水水质监测站2018年～2019年的主要水质指标PH、溶解氧(DO)、总磷(TP)、总氮(TN)等12项参数为对象,对水质时间序列预测进行研究。考虑到河流断面是复杂的动态的非线性水环境系统,水环境中的各指标参数存在大量的非线性特征,因此本文提出了基于粒子群算法和遗传算法混合优化BP神经网络的水环境因子预测模型,并提出了基于改进粒子群优化算法的深度神经网络水质类别预测模型。实验结果证实了本文提出的算法在预测过程中具有较好的预测精度和鲁棒性。对水质预测模型研究主要包含以下几个方面:(1)数据的预处理。数据来源于该区域断面水质监测站的真实数据,由于采集设备误差和人为操作失误等不可控因素,造成数据存在空缺值、异常值、交叉错乱等实际问题,为了不影响后续的分析和预测,需对这些数据进行获取、整合、清洗等一系列预处理步骤,为下一步的研究提供数据支持。(2)水质预测模型构建。首先对预处理后的数据进行分析,然后从预测水环境因子(连续值)和水质类别(离散值)的角度出发,最终选择BP神经网络和深度神经网络两种不同的预测模型。对连续值预测,采用BP神经网络来进行,并针对算法核心参数难以确定的问题设计了基于粒子群算法和遗传算法相结合的优化算法来优化BP神经网络,同时与未优化的BP神经网络、粒子群优化的BP神经网络和遗传算法优化的BP神经网络预测算法进行对比;在离散值预测问题上,采用改进粒子群优化深度神经网络算法,与支持向量机算法和未经优化的深度神经网络预测模型进行了对比实验。建立性能评价指标,并用测试集数据对模型性能进行测试实验,结果表明本文提出的两种类别的水质预测模型效果均优于其对比模型,从而验证了对于该数据集样本,本文提出的预测模有更好的准确性和预测能力。(3)系统设计与实现。采用以满足业务需求为导向的设计原则,对系统的整体功能和各模块功能进行了详细地设计,并以此构建了相应的数据库结构。系统使用Bootstrap前端架构,结合Spring+Spring MVC+Mybatis这种组合框架进行后台开发,用Java语言完成系统开发和实现过程,使用UML类图解释各功能模块后台实现步骤,通过Echarts可视化方式将水质预测结果进行界面展示,并通过线上测试验证系统的性能和可用性。水质预测系统依托于“京津冀区域水环境管理大数据平台”课题,实现了对河流断面水质进行预测并展示的业务需求,在管理者对未来事件的决策中发挥重大作用,具有一定的指导意义和应用价值。