随着大数据、环境监测技术的不断发展,当前水质在线监测基础设施日益完善,环境监测技术以从传统、粗放、分散封闭逐渐向现代、精准、集成联动发展,监测数据的积累也日益丰富。然而,大多数监测数据仅用来反映当下时刻的水质情况,而忽略了数据背后蕴含的信息,导致数据利用率低下。目前,国家已出台相应政策,推动将大数据与环境监测相结合,开发生态和环境监测预警技术,加强环境质量预测预报功能,完善地表水环境风险的预警预报机制。本文以苏州河武宁路桥断面为研究对象,根据该断面历史水质在线监测数据,借助神经网络技术构建短期高频水质预测模型,结合水质相关性开展水质异常识别研究。此外,以苏州河梦情园断面为研究对象,利用多元线性回归模型构建深层叶绿素a软测量模型,实现以高频易得的水质指标对叶绿素a的变化范围进行预测,同时通过软测量模型预测上游武宁路桥断面未知叶绿素a的变化范围,为苏州河水质管理和预测预警提供科学依据。本文主要研究内容包括:（1）对苏州河武宁路桥断面11个水质指标进行缺失数据补全、异常数据剔除、标准化处理等预处理,实现数据降噪,提高后续机器学习的准确度。对预处理后的数据进行相关性分析,结果表明,DO、TN、NH3-N之间呈显著相关,浊度、TP、UV254之间呈显著相关,因此以该6个指标作为后续模型预测的输出指标,同时根据不同指标之间的相关性可为后续水质异常识别提供依据。（2）详细阐述了NARX神经网络的原理、结构及应用,同时介绍了PCA法、GRA法的基本原理,结合PCA、GRA法优化NARX神经网络,构建了PCA-NARX和GRA-NRAX神经网络模型。选取DO、TN、NH3-N、浊度、TP、UV254作为模型训练目标输出,通过调整隐含层神经元数量、延迟层阶数等参数优化神经网络模型,结合相关系数R、均方根误差RMSE值、平均绝对百分比误差MAPE值对模型训练结果进行评价,确定不同水质指标预测的最佳网络模型结构。对比PCA-NARX、GRA-NARX神经网络模型的模拟精度,结果表明GRA-NARX神经网络对6个指标的模拟精度均高于PCA-NARX,对DO的RMSE、MAPE值分别为0.509、4.155%,TP分别为0.041、12.301%,TN的分别为0.485、9.702%,NH3-N分别为0.290、19.197%,UV254分别为0.176、1.901%,浊度的分别为16.521、22.847%,效果较好。（3）采用NARX、PCA-NARX、GRA-NARX三种神经网络模型分别对DO、TN、NH3-N、UV254、TP及浊度进行短期预测,并对比三种神经网络预测性能。结果表明,GRA-NARX神经网络的预测性能最好,在0～24 h内,GRA-NARX神经网络对DO、TN、NH3-N、TP、UV254及浊度的预测MAPE值分别为1.529%、15.958%、19.308%、16.363%、1.881%、36.430%。同时,设定预测残差序列的阈值上限,针对水质异常进行识别研究,并结合ROC曲线验证识别结果的可靠性。针对造成水质异常的原因分为仪器原因、天气原因及污染原因三类,选取相关数据进行逐一验证,对于每种异常情况,该方法均能判断造成水质异常的原因。（4）建立叶绿素a软测量模型,对梦情园断面夏季深层叶绿素a进行分析,结合相关性筛选软测量输入自变量,对比不同自变量的多元线性回归模型和多元非线性回归模型调整后的R值、检验下的P值、VIF值,以及超出阈值数据占比百分比,确定深层叶绿素a软测量预测模型。最终选定由DO、NH3-N作为自变量构建多元线性回归模型,真实值超出预测范围点数占25.27%。结合预测模型上下95%置信区间,对上游武宁路桥断面未知深层叶绿素a进行范围预测,结果显示上游深层叶绿素a与下游变化趋势基本一致,具有一定的同步性。