تعیین و پیش بینی میزان آلودگی منابع آبهای سطحی ناشی از ورود آلاینده های شهری، صنعتی و کشاورزی به دلیل استفاده مستقیم از آب آنها، پیشگیری از آلوده شدن آنها و یا تأمین هزینه های لازم در پالایش منابع آب آلوده شده به طور روز افزون مورد توجه قرار گرفته شده است. در بیشتر موارد رودخانه ها بعنوان اصلی ترین منبع تأمین کننده نیاز شرب، کشاورزی و صنعت از اهمیت خاصی برخوردار هستند و از طرفی کیفیت آب از لحاظ شرب در بین پارامترهای کیفی مهمترین متغیر است. در این راستا بررسی و پیش بینی تغییرات پارامترهای کیفی در طول رودخانه یکی از اهداف مدیران و برنامه ریزان منابع آب می باشد. بدین منظور تعداد مدلهای زیادی در شبیه سازی پارامترهای کیفی رودخانه ها گسترش یافته اند. همه این مدلها نیازمند پارامترهای ورودی زیادی مانند داده های هواشناسی، هیدرولوژی، مقاطع عرضی رودخانه و سرعت جریان هستند که یا دسترسی به آنها مشکل است و یا اندازه گیری آنها محتاج صرف هزینه و زمان زیادی می باشد. از جمله این مدلها می توان به مدلهای همچون qualiie، wasp، hspf و . . . اشاره کرد. در این میان شبکه های عصبی (ann) با الهام از عصبهای بیولوژیکی به عنوان گزینه ای برتر مورد تحقیق و بررسی قرار گرفته اند که می توانند با تعداد پارامترهای اندازه گیری شده و با دقت قابل قبولی تغییرات متغیر مورد نظر را پیش بینی نمایند. مزیت استفاده از شبکه های عصبی مصنوعی توانایی آنها در حل مسائل غیر خطی و حجیم که حل آنها با دقت زیاد میسر نیست می باشد. در این تحقیق برخی پارامترهای کیفی آب رودخانه زاینده رود. شامل در برخی از ایستگاههای موجود در طول رودخانه با استفاده از شبکه های عصبی مصنوعی مورد بررسی و شبیه سازی قرار گرفته و از مدلهای شبیه سازی شده موجود به منظور پیش بینی میزان پارامتر کیفی مورد نظر در ماههای آینده استفاده شده است. پارامترهای کیفی ورودی مدل شبکه عصبی نیز شامل دبی جریان، دمای هوا و میزان بارندگی در ایستگاههای موجود در طول رودخانه می باشد. نتایج حاصل از شبیه سازی شبکه عصبی حاکی از کارایی مناسب مدل شبکه عصبی در پیش بینی پارامترهای کیفی در طول رودخانه زاینده رود می باشد. نتایج شبیه سازی شبکه عصبی برای پارامتر های کیفی ، و با توجه به شاخصهای آماری ، و بسیار مناسب و برای پارامترهای کیفی ، ، و نیز نسبتا مناسب گزارش شده است. تغییرات و برای پارامترهای کیفی ، و به ترتیب برابر 80/0 تا 93/0 و 056/0 تا 43/0 و این تغییرات برای پارامترهای کیفی ، ، ، به ترتیب برابر 62/0 تا 92/0 و 06/0 تا 54/0 گزارش شده است. در میان مدلهای شبیه سازی، مدل شبکه عصبی در پیش بینی از عملکرد بسیار مطلوبی برخوردار می باشد به نحوی که تغییرات مقادیر بین 06/0 تا 23/0 و بین 89/0 تا 93/0 متغیر می باشد. همچنین مدل شبکه عصبی در مدلسازی ph بدترین عملکرد را از خود نشان داده است به نحوی که تغییرات بین 10/0 تا 45/0 و بین 90/0 تا 63/0 متغیر می باشد. همچنین نتایج حاصل از شبیه سازی شبکه عصبی با یک مدل رگرسیون خطی و غیر خطی چند متغیره مقایسه شده که نتایج آن نشان دهنده برتری کاملا محسوس شبکه های عصبی مصنوعی در مقابل روشهای رگرسیونی می باشد. نتایج رگرسیون خطی و غیر خطی چند متغیره در شبیه سازی پارامترهای کیفی فوق نشانگر عملکرد بسیار ضعیف این مدلها در مقابل مدل شبکه عصبی می باشد به نحوی که مقادیر بین 30/0 تا 63/0 و بین 42/0 تا 91/2 متغیر بوده که این مقادیر برای مدل شبکه عصبی به ترتیب بین 68/0 تا 92/0 و 056/0 تا 39/0 می باشد.