水质预测作为水资源保护中的一项基础性工作,对水污染防治具有重要意义。水质预测是根据历史水质数据,建立水质预测模型,预测未来一段时间内水质数据的变化趋势。水质预测是将水污染由事后治理转变为事前预防的重要手段,为水污染防治方案的制定提供了依据。因此,准确的水质预测具有重要的研究意义。水质数据受时间、物理等多种因素的相互影响,具有时序性、差异性和混沌性等复杂特性。目前传统水质预测方法未能充分考虑这些特性对预测结果的影响,存在预测准确度不高的问题。因此,为了充分考虑水质数据的时序性、差异性和混沌性,提高水质预测的准确度,本文对于基于注意力机制和长短期记忆神经网络的水质预测方法进行了研究,具体工作内容如下:（1）针对水质数据的时序性和差异性,本文提出了一种基于SA-BiLSTM的水质预测方法。首先,在双向长短期记忆神经网络（Bidirectional Long Short Term Memory Neural Network,BiLSTM）中引入自注意力机制（Self Attention Mechanism,SA）,建立基于SA-BiLSTM的水质预测模型。其次,利用BiLSTM对不同时刻的水质数据进行时序性处理,用于挖掘水质数据的时序信息,以充分利用水质数据的时序性。同时利用自注意力机制对不同时刻的水质数据进行相似度权重计算,用于捕获水质数据的重要信息,以充分利用水质数据的差异性。然后,总结基于SA-BiLSTM的水质预测方法流程,规范预测的具体步骤。最后,将该方法应用于两个实际的水质数据集:太湖和维多利亚港。实验结果表明,与现有方法相比,该方法具有更加优越的性能。（2）针对水质数据的混沌性,本文提出了一种基于t-SNE和SA-BiLSTM的水质预测方法。首先,使用t分布随机近邻嵌入（t-Distributed Stochastic Neighbor Embedding,t-SNE）对水质数据进行有效的特征提取,并将提取的水质特征作为预测模型的输入,以降低水质数据的混沌性带来的不利影响。其次,总结基于t-SNE和SA-BiLSTM的水质预测方法流程,规范预测的具体步骤。最后,将该方法同样应用于两个实际的水质数据集上。实验结果表明,SA-BiLSTM在引入t-SNE后,能够进一步提高水质预测的准确度。