江河、湖泊、水库的富营养化预测已经成为国内外学者的研究热点,由于水体生态环境复杂多变,环境影响因子众多,传统的经验预测模型已经不适用高度非线性化的水质预测。本文提出了一种基于微粒群(PSO)算法的BP神经网络(Back Propagation Network)模型,探讨其在明湖非线性水体富营养化预测中的应用,为今后预测模型的完善和发展提供科学依据。在BP神经网络对富营养化预测研究中,选择最能代表明湖水质状况的5号采样点作为研究对象,因Chl-a是表征水体富营养化现象及其程度的最重要指标之一,将Chl-a确定其为网络输出变量；利用MATLAB中的spline函数把2009年4月-2010年3月的月样本插值为周样本(训练集)；通过相关性分析筛选网络输入变量；确定隐含层节点数为12的4层网络结构。利用训练集训练构建完成的BP网络,测试其对明湖5号点Chl-a浓度短期变化趋势的预测能力。结果表明BP神经网络对5号点预测具有良好的网络测试性能,但传统BP算法的收敛速度慢并易陷入局部最优。基于传统BP网络的局限性,在PSO-BP神经网络对富营养化预测研究中,利用PSO算法对BP神经网络的权值进行修正,优化神经网络结构及算法全局收敛性,提出了一种基于微PSO算法的BP神经网络模型。利用训练集训练构建完成的PSO-BPS神经网络,测试其对明湖5号点Chl-a浓度短期变化趋势的预测能力。结果表明,PSO算法有效克服了传统算法的缺点,在5号点的预测中PSO-BP网络模型显示了更高的测试性能。用6号和1号采样点数据来分别验证PSO-BP和BP网络的学习能力和泛化能力,比较分析基于PSO算法的新模型与传统BP算法模型的预测精度,结果表明,PSO-BP网络模型对6号点和1号点的相对误差在3%和6%左右,低于传统BP模型8%和10%,证明了PSO-BP神经网络模型在对明湖整体富营养化短期变化趋势有更高的预测能力,为今后PSO-BP神经网络模型对水体富营养化的预测奠定了基础。