污水处理厂的高效稳定运行是水环境保护的重要基础,但目前相对粗放的管控水平已成为污水处理厂高效运行的一大主要阻碍。建立污水处理相关模型有助于提升其管控水平,但由于污水处理过程进水水质多变、生化处理过程复杂等原因,对其建模较为困难。目前,众多学者已采用多种手段对污水处理的相关过程进行建模研究,寻求合适的建模方法。但目前该领域的研究尚处于比较浅的初级阶段,许多污水处理相关过程的建模问题还有待进一步研究。本文以数据驱动方式分别使用长短时记忆网络（LSTM）模型和卷积神经网络（CNN）模型对污水处理厂进水负荷和污水处理工艺出水水质进行预测,主要研究结果如下:（1）基于污水处理厂进水负荷的周期性和时序性,提出了基于LSTM的进水负荷预测模型。将水厂过去24 h的进水COD、进水氨氮、进水总磷和进水p H作为输入,分别预测未来2 h、4 h和6 h的进水COD、进水氨氮和进水总磷。结果表明,LSTM模型对进水COD、进水氨氮和进水总磷的2 h预测误差率分别为20.4%、12.4%和9.59%。通过与传统全连接神经网络进行对比,结果表明,LSTM模型的预测能力远超过传统全连接神经网络。因此,在进水负荷的预测建模中,其时序性的表征至关重要,今后的建模研究中也应优先考虑使用时序模型。通过变化损失函数,证明平均误差率（MER）更适合作为模型的损失函数。进水水质参数的关联性研究证明各进水水质参数相互之间干扰较大。（2）根据污水处理工艺原理和输入参数分布特性,提出了基于CNN的出水水质预测模型。输入过去30小时内的进水水质参数和水厂运行参数,模型拟合出水COD、出水氨氮和出水总磷的平均误差率分别仅为0.875%、2.31%和1.52%。通过与传统全连接神经网络进行对比,结果表明,CNN模型的拟合能力远远超过传统全连接神经网络。因此,卷积神经网络的图像处理能力与污水处理这个应用场景相匹配。而在污水处理建模的后续研究中,对其时间和参数维度上的多维特性模拟性能应该成为模型选择的一个重要依据。通过增减模型组件,证明了批标准化能显著提升模型拟合性能,而引入损失函数加权系数反而会降低模型拟合能力。对模型进行应用场景分析,结果表明,CNN模型能准确预测2 h、6 h和12 h后的出水水质,即便是预测效果最差的12 h出水总磷预测,其R~2也达到0.9403,预测平均误差率仅为6%。本文以人工智能手段通过对真实污水处理厂的数据进行分析处理,根据实际应用场景的特性提出了相应的建模方法,能较准确地对污水处理厂的进水负荷和出水水质进行预测,为污水处理厂的高效管控和节能降耗提供理论指导和数据支撑。同时,本文也可为污水处理领域的其他建模研究提供新的思路。