رشد جمعیت، محدودیت منابع آب، گسترش صنایع و افزایش آلودگی ناشی از افزایش فعالیت های صنعتی همواره از مهمترین مشکلات تامین آب مورد نیاز کلان شهرها بوده است. از آنجایی که رودخانه کرج به عنوان یکی از مهمترین منابع تامین کننده آب مورد نیاز شهر تهران مطرح می باشد، کنترل کیفیت آب آن از اهمیت بسزایی برخوردار است. تعیین درجه کیفی منابع آب براساس شاخص های کیفی راهکار مناسبی برای تصمیم گیری هدفمند جهت حفاظت از منابع آب می باشد. سیستم ساپروبی به عنوان یک شاخص کیفی جهت تعیین درجه کیفی رودخانه ها مورد توجه می باشد. سیستم ساپروبی براساس وجود یا عدم وجود نشانگرهای شاخص در رودخانه درجه کیفی رودخانه را تعیین می کند. در مدیریت کیفی منابع آب، بکارگیری ابزارهای کارآمد برای پیش بینی درجه کیفی رودخانه ها براساس شاخص های کیفی از اهمیت بسزایی برخوردار است. در سال های اخیر شبکه عصبی به عنوان ابزاری کارآمد جهت پیش بینی پارامترهای کیفی رودخانه و همچنین درجه کیفی رودخانه براساس شاخص های کیفی مورد استفاده قرار گرفته است. در این پایان نامه توانایی شبکه عصبی مصنوعی برای پیش بینی درجه کیفی رودخانه کرج براساس شاخص ساپروبی مورد بررسی قرار گرفته و مدل شبکه عصبی مصنوعی مناسب ارائه شده است. برای تهیه مدل شبکه عصبی مصنوعی مورد نظر اطلاعات مربوط به داده های فیزیکی و شیمیایی رودخانه کرج در طی سال های 1380 تا 1390 مورد بررسی قرار گرفت و براساس ضوابط استاندارد din38410 از میان 1600 سری داده موجود، 200 سری داده قابل قبول استخراج گردید و اندیس ساپروبی محاسبه شد. 70% داده ها برای آموزش مدل شبکه عصبی، 15% برای صحت سنجی و 15% برای تست نهایی مدل تهیه شده مورد استفاده قرار گرفت. مدل شبکه عصبی ارائه شده بصورت پرسپترون چند لایه با یک لایه پنهان و روش آموزش پس انتشار خطا می باشد. ورودی مدل شیکه عصبی اولیه شامل پارامترهای دما، ec، ph، کدورت، tds، قلیائیت، نیترات، bod، cod، do و خروجی مدل اندیس ساپروبی است. با استفاده از روش تعیین پارامترهای بحرانی مدل، میزان تاثیر هریک از پارامترهای ورودی بر روی میزان دقت مدل شبکه عصبی اولیه جهت تخمین اندیس ساپروبی مورد ارزیابی قرار گرفته و با حذف پارامترهای کم اهمیت، مدل شبکه عصبی نهایی تهیه شده است. براساس ارزیابی انجام شده، پارامترهای ec و کدورت از اهمیت کمی برخوردار بوده و با حذف این پارامترها مدل عملکرد مناسبتری از خود نشان داده است. ورودی مدل شیکه عصبی نهایی شامل پارامترهای دما، ph، tds، قلیائیت، نیترات، bod، cod، do و خروجی مدل اندیس ساپروبی است. برای ارزیابی عملکرد مدل از ضریب همبستگی، ضریب کارایی مدل و rmse استفاده شده است. بر این اساس ضریب همبستگی مدل نهایی برابر 0.961، ضریب کارایی مدل نهایی برابر 0.923 و rmse برابر 0.0035 می باشد. ارزیابی عملکرد مدل ارائه شده بیانگر توانایی شبکه عصبی مصنوعی در تخمین درجه کیفی رودخانه براساس شاخص ساپروبی با استفاده از پارامترهای فیزیکی و شیمیایی رودخانه می باشد.