天津市属于资源型缺水城市，水体污染严重，水环境问题严重制约着天津市的经济发展。为有效改善水质，解决水环境问题，人工沉床系统应运而生。本文以外环河人工沉床为例，应用BP神经网络预测人工沉床系统对外环河水体中污染物(化学需氧量，总磷，总氮)的净化效果。人工沉床系统是利用人工沉床载体营造适宜大型水生植物生长的环境条件，在人工沉床载体上种植大型水生植物，通过水生植物群落的构建，达到修复受损水体生境、净化污染水体水质、进而修复退化的水生态环境的系统。因其具有不确定性，采用非线性回归方法预测水质，预测精度低，而BP神经网络是一种按误差逆传播算法训练的多层前馈型网络，可用于建立黑箱模型，恰能快速有效地解决不确定性问题，故本文采用BP神经网络对人工沉床系统的水质进行预测，并将BP神经网络模型的预测结果与非线性回归模型的预测结果进行了对比，对比结果进一步证明了BP神经网络模型的预测精度高，适用于人工沉床系统的水质预测。　　 本论文的主要结论如下：　　 (1)BP神经网络在进行自组织、自学习的过程中获得水质样本数据的隐含规律，建立模型。该模型工作量较小，能够进行高精度的预测。　　 (2)针对不同的输出变量，输入变量对模型预测结果的影响不同。当输出变量为化学需氧量(CODcr)浓度时，输入变量对模型的影响程度由大到小依次为：化学需氧量(CODcr)，水温(WT)，总磷(TP)，总氮(TN)；当输出变量为总氮(TN)浓度时，输入变量对模型的影响程度由大到小依次为：总氮(TN)，水温(WT)，化学需氧量(CODcr)，总磷(TP)；当输出变量为总磷(TP)浓度时，输入变量对模型的影响程度由大到小依次为：总磷(TP)，水温(WT)，化学需氧量(CODcr)，总氮(TN)。　　 (3)将水质数据代入BP神经网络模型和非线性回归模型，比较模型预测结果。对比结果表明，当输出变量为化学需氧量(CODcr)时，BP神经网络模型的平均相对误差为0.1％，而非线性回归模型的平均相对误差为4.8％；当输出变量为总氮(TN)时，BP神经网络模型的平均相对误差为1％，而非线性回归模型的平均相对误差为-1.7％；当输出变量为总磷(TP)时，BP神经网络模型的平均相对误差为0.6％，而非线性回归模型的平均相对误差为0.9％。BP神经网络模型的预测精度较高，相对误差较小，更适于进行人工沉床的水质预测。