目前污水处理过程运营管理以数字化自动运行为主流,数据驱动的智慧运行是其未来发展方向,而这需要大量高质量数据作为支撑。但从现场直接采集到的污水处理过程数据往往存在质量问题,主要有以下两个方面:一是传感器故障、网络中断等导致的数据异常缺失,二是普遍采用的保守控制策略使得收集到的数据具有高能耗偏向性。这些存在偏差的低价值数据能给污水处理过程智慧运行提供的信息有限,反而会干扰正常数据特征表达,给建模分析带来误差,甚至会将高能耗状态引入后续的运行中。基于污水处理企业绿色智能运行管理需求,本文在不改变实际污水处理工况前提下,分别构建数据增强方法用于数据异常修复和数据分布偏差纠正,主要工作概括为以下三个方面:（1）抽象实际污水处理过程建立数学场景,提出基于深度学习的混合神经网络模型对处理后的水质进行预测,并将其作为基准模型用于后续数据增强检验。模型中引入窗口设定用于确定在处理过程中会相互影响的污水处理状态时间跨度,并据此对处理后的化学需氧量进行预测。通过在真实污水处理数据集上的实验确定合适的窗口长度及训练集占比,并结合数据所代表的污水处理状态对实验结果进行讨论与分析,引出污水处理数据中的异常缺失及分布偏差问题。（2）针对污水处理过程数据非规则化缺失情形,设计了一个可嵌入模型的自适应填补框架。该框架先对输入数据集中的缺失进行逐行搜索,在识别缺失数据后对具体缺失的个数、位置进行标记。然后根据具体的缺失情况对嵌入的时序模型结构进行自适应调整,通过历史数据对模型参数进行优化,据此对缺失位置的数值进行估测还原。在实验数据集上结合对比模型验证所提方法填补的准确性。将该方法应用至整个污水处理过程数据集中,利用基准模型进行检验,结果显示异常修复增强后的实验效果显著优于原数据。该项研究证明了数据异常缺失对真实数据所表达内容的破坏性,以及对这些数据进行修复增强的必要性,并提供了一种普适高效的数据缺失修复方法。（3）对于污水处理时常处于高能耗状态,处理过程数据价值密度低问题,本文首次将生成对抗网络引入到污水处理领域,建立基于生成对抗网络的高价值数据生成模型。在异常数据修复增强后,首先由水质参数分析获得真实数据分布,通过对抗训练模型完成已知数据分布到目标数据分布的映射。其次,从已知分布中采样并输入到训练好的模型中进行数据生成。然后将生成的低能耗高价值数据替换原数据集中的低价值数据,提升数据价值密度,实现数据再增强。对模型中的两个变量通过三组实验进行分析,确定生成数据数量对生成数据质量的影响较大。在同等实验条件下对比变分自编码器与所提模型的数据生成效果,结果显示所提模型效果更佳。比较数据增强前后在基准模型上的实验结果,证实所提方法能够矫正数据分布偏差,有效提升数据驱动模型拟合度。该项研究证明将生成对抗网络引入污水处理进行低能耗数据生成的可行性和有效性,证实数据增强对数据特征表达的强化作用,为污水处理过程智慧运行提供了数据角度的优化思路。