生化需氧量(BOD)是用于评估水质及其污染程度的重要指标,水体BOD含量对于保护水资源、改善水环境以及维护生态平衡具有重要意义.为解决BOD传统测量存在设备昂贵易损、操作专业性强、时间周期长等问题,分别使用7种不同的高光谱预处理方法对100组水体BOD光谱透射率数据进行处理,再将高维度的光谱数据通过PCA降维,将主成分数降低至10,建立BP神经网络模型,通过比较模型的精度,拟合程度和运行效率筛选最优模型,建立了一种结合不同高光谱预处理技术和PCA降维技术的改进BP神经网络模型来实现对BOD值精准且快速的估算.结果显示,相比于基于原始数据建立的BP神经网络模型,7种结合预处理方法建立的模型在保证估算精度提高的情况下,训练时间上都有一定程度的下降,在经过PCA降维处理后又有进一步下降,其中PCA降维后的SNV-BP模型训练时间相较于未改进模型的7.465 8 s,下降至3.934 1 s,证明了高光谱预处理和PCA降维对高光谱数据中冗余信息有良好的去除能力,能够同时对光谱数据起到优化作用,使得BP神经网络回归模型在整体上得到性能提升,其中PCA降维后的VN-BP改进模型估算效果最为显著,保证效率的同时,均方根误差RMSE低至0.024 25,R2高达0.992 9,说明改进模型为高效准确地监测估算水体BOD含量提供了一种可能的思路.