水质的好坏关乎人民生命财产安全,国家长期以来重视水环境,并逐渐建立起来完善的水质管控系统,应对水污染突发事件以及水污染物扩散等问题上积累了大量有效的研究成果。随着物联网和人工智能等技术的飞速发展,各类高频的水质信息采集传感器实现了水质自动监测并将数据实时上传,积累了大量的水质相关数据。通过深度学习技术,对水质大数据进行挖掘,提取其特征用来更好地管控水质。本文研究探索深度学习方法在水质预警方面的应用,并将动态高效的水质预警模型应用于系统中。利用深度学习的方法对水质时间序列数据进行预测分析具有较好的效果,传统的机理模型方法需要大量精确的参数进行水质模拟,如河流宽度、深度等指标参数,而深度学习方法仅通过水质相关时间序列数据,从水质大数据中进行特征提取和预警,有着简便、高效的优势。通过对水质预警方法的研究与探索,本文将水质预警拆分为两个模型分别进行精度的提升。具体本文工作内容如下:首先,构建水质预测模型。在水质时间序列预测模型上,本文对比三次平滑指数、支持向量回归以及循环神经网络变体在水质预测上的精度。同时为了探究水质时间序列数据的季节性对水质预测结果的影响,引入经验模态分解与基于Loess 的季节与趋势分解（Seasonal and Trend decomposition using Loess,STL）方法,并从模型训练的数据泄漏角度对部分方法进行取舍。为保证其预警的时效性本文对预测步长与精度进行探索,并确定结合STL分解与基于编解码的长短期记忆网络,从而获得在水质预测各个方面上取得较好的效果。其次,给出水质异常检测模型。在水质异常检测模型分析上,本文工作对比拉依达准则、孤立森林、多元高斯分布异常检测在水质异常分析上的效果。进而通过研究水质时间序列数据的季节性,采用按照季节性分段寻找最优异常阈值的动态预警方法,避免传统方法采用固定阈值导致的预警频率不合理的问题。因此,通过实验确定孤立森林模型在多维度数据上表现的效果优于多元高斯分布异常检测,其中拉依达准则具有在单维度数据异常分析的能力。最后,本文将如上两个模型进行结合实现动态高效的水质预警模型,并将该模型应用于水质预警原型系统。在该原型系统的设计上具体分为数据采集模块、深度学习模块和任务调度模块,其中任务调度模块实现深度学习模型的持续迭代训练,及时学习新数据的特征,保证预测精度。该原型系统以水质预警功能为核心,并实现水质实时监测与水质预测等功能,有效的为水质管控者提供决策支持。