工业生产过程中需要水源补给,城市居民日常生活更是离不开水,水源作为我们生命中不可缺少的资源很长一段时间没有受到人们保护和重视,由于污水处理不及时以及未达到排放标准便流入河流,导致一些地区周边范围内的水域污染事件层出不穷,已经对水源造成进一步恶化的影响,如何对复杂水质监测分析并快速有效地建立数学模型对于提高污水处理能力至关重要。污水水质复杂受多方面环境因素影响,监测样本呈现冗余的缺点,具有非线性、时变性且对于不同污染源水质其主要影响指标也不同,很难直观准确地建立解析模型,在这种情况下对污水样本展开研究,将模型的输入变量进行简化,引入数据降维的方法,对高维变量低维简约。流形学习算法作为当前数据降维方法,至今已经受到大量学者关注,取得了许多新的研究成果,包括线性算法和非线性算法,但目前存在的数据大多是以非线性时变为主,如污水监测数据,不同非线性算法处理数据存在不同效果,详细介绍了流形学习的相关理论及经典算法,在理论上支持了流形学习方法在污水水质维数约简中的适用性。通过学习研究和比较这些算法找到本文所用到的算法LLTSA算法,它在处理数据优于其它一般算法,是在切空间排列基础上局部线性化,但存在邻域参数难以确定的问题,使用邻域自适应的方法对其优化,优化后的切空间可以在不同邻域情况下选择不同参数,用于污水样本可以较大程度上保留原数据特点,对数据样本降维。在水质预测模型建立中,把高维样本压缩处理得到的变量作为模型的输入以简化训练网络的复杂性。通过对城市污水厂采集的数据进行预处理等步骤,建立BP神经网络的水质预测模型。对污水处理工艺、水质参数进行了深入的探究,分析水质影响变量,采用NALLTSA算法处理,结合BP神经网络建立水质的BPNN预测模型。对污水厂数据进行仿真实验,与传统多输入BP神经网络预测模型进行分析比较,预测效果表明BPNN模型取得良好预测精度同时可以有效节省网络训练所需时间。此方法对污水处理具有一定的积极意义,为水质的预测方法提供了参考。