健康的森林生态系统已成为森林资源管理的一项重要目标。而发展森林健康评价是实现这一目标的关键举措。水源涵养林作为一种在涵养水源、改善水质等水文生态方面具有较强服务功能的防护林，随着我国当前面临的水资源短缺、水质下降等问题的加重，其健康评价越加受到重视。目前，国内的水源涵养林健康评价研究正处于发展阶段，虽取得了一定的成果，但尚缺乏获得公认的水源涵养林健康评价指标体系以及水源涵养林健康评价模型。为此，本文以黑龙江省孟家岗林场水源涵养林为研究对象，深入研究了水源涵养林健康评价领域的理论、模型与方法。　　本文的主要研究内容围绕水源涵养林健康评价指标体系、水源涵养林健康评价模型、水源涵养林健康状态初次评价、水源涵养林健康状态持续评价这四个方面展开:　　(1)孟家岗林场水源涵养林健康评价指标体系研究　　针对水源涵养林健康评价指标体系研究中，存在的评价指标过多、过泛，个别指标评价过于笼统或者实际可操作性太差，难以获取样地测量和二类清查数据或者评价难度太大，缺乏统一的标准等问题。本文将活力-组织结构-恢复力(Vigor-Organization-Resilience，VOR)模型作为理论依据，通过对孟家岗林场水源涵养林在活力、组织结构、恢复力和涵养水源功能这四个方面的健康特征进行分析，构建了科学、易操作和适应的水源涵养林健康评价指标体系。　　(2)基于RS-MNN的水源涵养林健康评价模型研究　　通过分析当前典型的健康评价模型的优缺点，提出了将粗糙集(Rough Set，RS)与模块神经网络(Modular neural networks，MNN)相结合，采用综合的RS-MNN框架建立水源涵养林健康评价模型的思路。该框架利用粗糙集理论，从指标数据本身出发，更加客观的实现了水源涵养林健康的评价，同时利用模块神经网络具有的强大的对非线性关系的映射和学习能力以及在处理多输入样本数据方面的高效性，建立了持续评价系统，该系统能够实现对孟家岗林场水源涵养林健康状态的持续评价。　　(3)孟家岗林场水源涵养林健康状态评价研究　　为了保证孟家岗林场水源涵养林健康评价结果的客观性和可靠性，本文采用了粗糙集的属性重要性计算方法，从评价指标取值本身出发，而不仅是依赖领域专家的评判，得到了更加客观的评价指标权重。同时，在计算指标权重和健康指数前，利用粗糙集的属性约简算法，对评价指标体系中不必要的属性进行约简，获得了更加科学、合理、客观和准确的评价指标体系。最后，依据优化后的评价指标体系和指标权重集合，实现了孟家岗林场水源涵养林健康状态的初次评价，并对其健康状态进行了统计分析。　　(4)孟家岗林场水源涵养林健康状态持续评价系统的建立　　本研究在建立持续评价系统时，提出直接选取一部分计算因子替换其相应的评价指标，以降低在计算评价指标取值过程中人为分析产生的主观干扰。这一方式会增加健康决策表中条件属性的个数，而传统的BP神经网络在学习多条件属性的决策表时，存在网络结构复杂、训练学习时间过长的问题。为此，本研究提出将多个BP神经网络作为子分类器，利用它们构建模块神经网络来建立持续评价系统。同时，为了消除BP神经网络训练时易陷入局部极小值的缺点，引入人工蜂群(Artifical Bee Colony，ABC)算法，将其与传统BP学习算法相结合，最终利用基于ABC-BP的改进模块神经网络构建水源涵养林健康持续评价系统。　　综上所述，本文以黑龙江省孟家岗林场水源涵养林为研究对象，首先建立了基于VOR的水源涵养林健康评价指标体系;接着研究了基于RS-MNN的水源涵养林健康评价模型;然后针对该模型中的持续评价部分，提出了基于改进MNN的水源涵养林健康状态持续评价系统的构建方法，并将完成训练的持续评价系统应用于孟家岗林场水源涵养林健康状态的持续评价，最终获得了准确、可靠的评价结果，同时也验证了持续评价系统的有效性。