随着中国经济的快速发展，水环境问题已经成为了国家重点关注的问题之一。作为全国的重点水域，三峡库区相关水域环境能否保持良好状态，具有极其重要的意义。水质预测与水质评价作为水环境信息化治理的基础工作之一，在水环境治理工作中起着举足轻重的作用。本文是以国家“十一五”水专项子课题《三峡库区水环境风险评估与预警示范平台建设》为研究背景，对三峡库区水质预测与评价方法进行了相关研究。首先介绍了水质预测与评价方法的研究现状，然后针对三峡库区水质数据特点，提出了基于支持向量机（Support Vector Machines,SVM）的三峡库水质预测与水质评价模型。本文的研究成果如下：①首先针对SVM建模时，参数选择是其中最关键的环节之一。这里采用遗传算法来对SVM模型进行参数优化。然而传统的遗传算法容易出现早熟、陷入局部收敛等问题，基于自适应遗传算法(Adaptive GeneticAlgorithm,AGA)提出变种群数的AGA对SVM模型进行参数优化。并通过仿真实验，将其与网格法、传统遗传算法、AGA算法以及变种群数的AGA算法在SVM中的参数优化效率进行了对比，证明变种群数的AGA算法在SVM参数寻优中更有效率。②本文针对三峡库区水质数据含有缺失，并具有周期性、波动性、随机性等特点，提出一种针对复杂非线性水质数据的预测模型。该模型采用改进的指数平滑法分别针对原始数据的单点缺失和连续多点缺失进行填补；差分自回归移动平均模型（Autoregressive Integrated MovingAverage Model,ARIMA）对水质数据线性部分进行预测；SVM对水质数据非线性部分进行预测，并用变种群数的AGA算法对SVM进行参数优化，最后将以上预测结果相加，得出最终预测结果。通过实验分析，本文提出的预测模型具有较好的预测效果，相比其它模型预测精度更高。③针对三峡库区水质情况复杂、污染源种类繁多、评价指标相关性高等特点，提出了基于主成分分析(Principal ComponentAnalysis,PCA)和SVM的水质评价模型。首先采用PCA方法对初选的指标变量进行数据压缩和信息抽取，消除这些指标变量之间的相关性，再利用SVM对已经提取的PCA主成分训练建立评价模型，并用变种群数AGA对SVM进行参数寻优。仿真实验证明，基于PCA-SVM的三峡库区水质评价模型具有较好的评价效率。