目前,国内外已有能实时监测河道水质的设备,但是这类水质监测设备的价格都比较昂贵,维护成本也很高,因此河道水质的检测工作还是以实验室检测方法为主。而实验室检测方法的操作过程一般都较为复杂,无法实时的得到水质情况。本文结合碘量法,在分析现有国内外水质监测技术和机器视觉检测技术的基础上,提出了以水样溶液图像为研究对象,利用机器视觉技术检测水中溶解氧浓度的新思路。设计了探究水样溶液颜色特征值与溶解氧浓度间的映射关系的软测量模型。（1）利用稳压光源、摄像机、暗室以及计算机等构成了图像的采集装置,通过调节摄像机—比色皿—光源的间距并比较所获取图像的效果来确定最合适的间距,完成了暗室结构的调整。图像预处理在PC端进行,通过对图像的预处理,使颜色特征值误差减小。（2）结合碘量法设计了水样溶液的配置方法,并利用控制变量法优化实验参数。实验参数包括化学试剂浓度、水样稀释比以及取样转速等。各实验参数值的选取是通过以碘量法、化学实验装置以及物理实验装置等对实验起主导作用的因素所提供的参数变化区间为基础,并结合部分预实验结果得到的。分析水样溶液颜色特征值与溶解氧浓度之间的关系,最终得到能反映色度值与溶解氧浓度间线性关系的线性模型,将其预测值与目标值作了比较,并分析了其误差原因。（3）探究水样图像颜色特征值与溶解氧浓度间的关系,利用人工神经网络建立了数据处理模型。在神经网络模型中以水样溶液图像的颜色特征值作为神经网络输入,并以水样溶液的溶解氧浓度作为神经网络输出。该BP神经网络建立了水样溶液图像颜色特征值与溶解氧浓度的非线性映射关系。通过将神经网络的预测值与目标值比较分析,得出其精度在96%以上,略高于线性模型。