随着我国沿海地区经济的高速发展和人口的快速增长,海洋资源被过度开发利用,近岸海域的水体污染和生态破坏现象不断加剧。为有效解决海洋生态问题,保障海洋生态的健康有序发展,对海洋生态环境进行动态实时监测非常必要。通过监测平台可以获取海量的监测数据,而传统的数理统计和经验预测等方法依靠于专家经验,监测数据没有被充分挖掘利用,因此通过先进算法来充分挖掘监测数据中的有用信息、准确评价海洋水体质量,并对海洋水质建立有效的分析和预警模型,是当前亟需解决的重要问题。依托特种光纤与光纤传感重点实验室的光电传感网监测的水质数据,在总结当前水质评价技术和研究现状的基础上,理论分析研究了水质监测数据挖掘、规则更新和水质分析预警模型等问题,通过仿真实验验证了算法的有效性,并应用于水质监测数据的挖掘分析与预警中。本文的主要研究内容如下:首先,为了充分挖掘利用海量的水质监测数据,研究了一种基于自适应免疫遗传算法的关联规则挖掘算法。将免疫算法引入经典遗传算法,设计适应度函数,改进免疫遗传算法的交叉变异概率,使之在整个执行过程中能够随着个体适应度连续变化,并将该算法应用到关联规则挖掘中,该方法在保证挖掘规则精度的同时,能够缩短挖掘时间。其次,为解决水质监测数据库随时间不断积累新数据而动态变化引起的规则维护问题,在自适应免疫遗传关联规则挖掘算法的基础上,研究了一种规则更新挖掘算法。针对属性数据库的规则更新挖掘,通过将部分原始数据和新增数据组成一个新的数据库来进行。计算原始和新增数据的差异度,从原始数据库中抽取不同比例的数据组建新的数据库,对新建数据库进行免疫遗传关联规则的挖掘。该算法不仅可以保留原有支持度高的规则,还能够发现新增规则。然后,针对水质监测参数的变化问题,为使变化的参数同样适用于BP神经网络分析预警模型,研究了一种基于免疫递阶遗传算法的BP神经网络优化算法。水质监测参数在实际的监测过程中会发生变化,而变化的参数影响BP神经网络的结构。通过引入免疫算法来提高算法处理速度,设计适合的适应度函数,利用递阶遗传算法的染色体分层特点,把染色体分为参数基因和控制基因,在传统遗传算法中加入解码操作,从而分别优化神经网络的结构和权值,调整遗传算子的交叉变异概率,使其在整个执行过程中能够自适应连续调整。该算法能够根据水质监测参数的动态变化而及时调整BP神经网络结构,使得分析预警模型更适用于当前参数的学习与分析并及时作出预警。最后,为了提高水质监测分析预警模型的精度,将基于自适应免疫递阶遗传算法的BP神经网络优化算法与贝叶斯正则化的LM-BP神经网络数值优化算法结合,研究了一种水质监测数据评价预警模型。通过免疫递阶遗传算法优化神经网络的参数和结构,再通过贝叶斯正则化LM-BP神经网络提高评价模型的精度。该模型适用于多参数大样本训练。