城市河流维系着人类生存环境和城市圈生态系统,但人口增长和城市化给城市河流带来了不同程度的污染和破坏,水质污染问题日益显现出来。城市河流的合理开发、利用和保护对于提高人类生活质量与城市形象起着至关重要的作用,并提供了不可替代的生态功能。因此,如何持续、动态、高效、准确地进行城市河流水质监测已成为亟待解决的问题。传统水质监测主要是以单点化的监测方式,费时费力,难以反映区域整体的水质状况。遥感技术因其具有广域性、时效性等特点,可以作为一种评估水质状况的有效监测手段,越来越多被应用于水质监测。但卫星影像受时间、空间分辨率的限制,难以对城市河流水质进行有效监测。无人机遥感因其获取数据便捷、影像分辨率高,利用其搭载多光谱传感器可得到高空间分辨率和光谱信息丰富的城市河流影像信息。基于此,本文以两处南淝河河段作为典型区域,获取了研究区的无人机影像数据和同步实测水质数据,同时加入机器学习算法,本文旨在将无人机遥感和机器学习算法相结合,构建精度高、适用性强的城市河流典型河段叶绿素a、总磷、总氮、氨氮、浊度反演模型,以期为城市河流水质动态监测提供新的数据源和方法研究。本文研究内容与结论如下:（1）深度挖掘光谱信息与水质信息的关联性,提取光谱特征中表现最佳波段及波段组合作为模型的输入特征。基于多光谱数据的波段信息并对其进行相互组合,从而构建出新的光谱参数,同时与水质数据进行相关性分析,可以得到敏感波段及波段组合。将敏感波段作为模型特征优选的输入数据,从而可以得到模型拟合最好的几种特征。筛选出模型拟合效果最好的波段及波段组合作为模型的输入特征,可以更深层次的进行数据特征挖掘,减少冗余信息的影响,提高模型的精度。（2）本文结合遗传算法（Genetic Algorithm,GA）自适应搜所全局最优解的特点,与极端梯度提升算法（Extrme Gradient Boosting,XGBoost）控制模型复杂度、减少模型过拟合的优点,提出了基于遗传算法优化的极端梯度提升算法（GA＿XGBoost）水质参数反演模型。结果表明,GA＿XGBoost相比深度神经网络（Deep Neural Networks）、随机森林算法（Random Forest）、Ada Boost（adaptive boosting）、极端梯度提升算法（Extrme Gradient Boosting）、基于遗传算法优化的Ada Boost（GA＿Ada Boost）、基于遗传算法优化的随机森林算法（GA-Random Forest）,模型对各水质参数在拟合精度和控制误差上面都有很大提升。基于遗传算法优化的极端梯度提升算法构建的叶绿素a、总磷、总氮、氨氮、浊度反演模型的三种评价指标R~2、MAE、RMSE均是最高的,其中R~2分别达到0.885、0.715、0.818、0.774、0.63,MAE分别达到0.022、0.031、0.653、0.179、10.04,RMSE分别达到0.04、0.054、0.805、0.231、13.21。同时对GA＿XGBoost水质参数反演模型的稳定性和适用性进行评估,表明了本文提出的GA＿XGBoost水质参数反演模型有着较好的稳定性和适用性。（3）基于构建的水质参数模型反演得到叶绿素a、总磷、总氮、氨氮以及浊度的浓度值,发现水质反演模型得到的水质污染空间分布规律与实测结果呈现相同趋势。研究区A南淝河（蒙城路桥—寿春路桥）段在2020年8月、2021年6月、2021年9月三期反演结果表明,水质参数浓度整体降低,水质状况呈现出整体变好的趋势。研究区B（南淝河大桥—双陡门）段2020年11月、2021年9月两期反演结果表明,水质参数浓度基本一致,水质状况无明显变化。对比同一时期2021年9月研究区A和研究区B两段水质浓度,研究区B水质浓度整体高于研究区A。结合反演结果、实测数据和现场调研可知,研究区A污染来源主要是通过排污管道排放的大量城市用水产生的尾水,研究区B污染来源主要是农业污水排放。同时对反演结果进行水质等级划分,整体来看,研究区各时期总磷浓度超过Ⅲ类水标准,局部污染严重区域达到Ⅳ类水标准;总氮浓度都达到了劣Ⅴ类水标准,水体中的总氮严重超标。氨氮浓度位于Ⅰ-Ⅲ类水标准之间,局部污染严重区域达到Ⅳ类水标准。