目前BP神经网络应用在水质评价上主要有2个难题：1，训练样本不足，仅有水质标准中的5组临界值数据不足以满足BP神经网络的建模条件；2，没有验证样本，难以判定已得网络是合适的。可见BP神经网络应用于污染特征复杂的流域水质评价上的主要问题是污染特征指标变量过多而相对的学习样本过少，同时没有检验样本，而导致网络可泛性差。　　 针对以上问题，本文利用污染分担率算法，对水质指标进行筛选，剔除对流域水质污染影响较小的指标，筛选出评价指标；利用主成份分析方法(PCA)对评价指标实测数据进行特征分析，获取主成份及其对应的评价指标荷载，然后对5组水质标准临界值进行转化，获取符合该流域特征的标准主成份数据，达到了指标缩减的目的；以标准主成份数据作为训练样本，在训练过程中确定网络结构及训练参数，依据专业知识确定验证条件对网络进行验证，最终选择出适用模型。　　 本文选取国内某流域作为案例进行分析，该流域指标数据等级为Ⅰ类的数据最多，V类、劣V类水质数据占总数的比例最少；而依据单因子评价法，Ⅰ类的断面为0个，V类、劣V类的断面最多，显然依据此法来总体评价该流域水质有失偏颇；利用本文所述的PCA-BP神经网络法，Ⅰ类的断面最多，V类、劣V类断面数为0个，可见本文方法得出的结果更贴近于单因子评价结果，适用于污染特征复杂的流域水质评价工作。