严重事故发生后，需要快速准确地确定源项释放率大小以此来评估事故等级，为后续应急工作提供理论依据。但事故条件下，源项信息往往较难直接获取，本文基于人工神经算法，利用核电厂周围辐射监测点的剂量率值结合气象条件实现对源项释放率在空间尺度的预测。
　　本文首先利用AERMOD大气扩散软件得到预测区域的源项浓度分布水平。为使浓度计算分布结果更准确，讨论了气态污染物干沉降对预测浓度的影响。结果表明，AERMOD软件中考虑气态污染物干沉降与否对区域最大浓度的影响很小。随后，在AERMOD软件中对污染物大气区域以长方体结构近似进行了三维网格划分，其中二维平面方向采用均匀网格划分，垂直地面方向进行非均匀网格划分。在这一阶段，本文还讨论了气象条件与源项释放率对预测浓度的敏感性，选取对预测浓度值影响较大参数作为人工神经网络的影响因素。
　　其次，在实际工况下，当气态放射性核素释放至环境中，监测站一般实际测得数据为γ辐射剂量率值。因此，本文利用QAD-CGA点核积分计算程序计算区域污染物浓度对各剂量预测点的剂量率值贡献。与此同时，本文还讨论了体源离散程度对运行时间及计算准确性的影响，以确定最佳体源离散节点个数。
　　再次，由于针对源项反演计算的神经网络训练需要大量样本数据，本研究中存在较多中间数据需要处理。本文基于FORTRAN语言编写了AERMOD软件与QAD-CGA程序间的接口程序，再利用批处理文件协同接口程序，完成数据间的传递与相关计算结果的处理。
　　最后，本文通过计算分析研究了基于MATLAB神经网络工具箱实现利用多种神经网络算法实现源项反演，得出结论：近似径向基神经网络与严格径向基神经网络源项反演的误差较大，未达到设定的目标误差，不适用于本研究中涉及的源项反演；由预测值与期望值间的相对误差可知，BP神经网络的预测效果令人满意，网络精度高，训练时间在可接收范围内；遗传算法优化的BP神经网络较BP神经网络反演效果更优，误差较小且收敛速度更快，网络稳定性好。