我国虽然水资源总量丰富,但人均占有量低,随着人们对水资源需求的增加,供需矛盾日益突出。给水管网系统作为保障居民安全用水的重要供水设施,当其长期处于漏损状态时不仅会造成大量的水资源浪费,影响人民群众的饮用水安全同时还会降低水司的运营效益。因此给水管网漏损事件是一个涉及资源、安全、经济3个维度的问题。为降低给水管网漏损率、提高水资源利用率以及维护水司的运营效益,本文提出一种基于预测-分类的数据驱动模型对给水管网系统漏损信号进行智能识别与预警。本方法相较于前人的研究可以避免对长系列数据的依赖以及预测精度低的问题,方法改进具体如下:（1）选用注意力（Attention）+门控循环单元型神经网络（Gate Recurrent Unit,GRU）为漏损信号识别模型基本框架,有效地避免了传统循环神经网络（Recurrent Neural Networks,RNN）在预测过程出现的梯度消失和梯度爆炸的问题,以及RNN在长系列数据上难以拟合的问题。（2）模型训练和预测阶段摒弃传统方法,提出一种反馈校正训练法和改进多步预测法,克服了传统模型在训练过程中对长系列数据的依赖以及预测过程中误差随着时间轴累加的问题。（3）分类阶段采用多阈值分类法和改进拉依达准则对漏损事件进行预警,该方法在提高模型准爆率（True Positive Rate,TPR）的同时降低了误报率（False Positive Rate,FPR）。本研究先将上述方法在L-Town案例管网上进行了模型构建与验证,随后同样在清远市给水管网系统进行模型构建与应用,得出以下结论:（1）成功识别到L-Town案例管网中2018年04-02和06-02中的两起真实的漏损事件,且对漏损事件的响应时间均短于30min。同时向05-01～05～14中的流量数据中人工添加42起漏损事件,模型TPR为92.86%,FPR为2.73%。且研究表明模型在夜间识别精度最高,TPR为98.3%,FPR为0.86%。（2）对2021年清远市城南片区的8起漏损事成功识别预警,且只有1次误报。模型对其中7起漏损事件的预警时间均早于水司实际到达现场时间,1起漏损事件响应时间与水司实际到达现场时间相同。研究对我国水资源保护和给水管网安全运行均取到积极的推动作用,同时提出的基于预测-分类的数据驱动漏损信号识别预警模型在其他领域中的异常检测也具有一定的借鉴意义,对推动智慧城市建设做出了贡献。