飞速发展的工业化与多元的城市化进程使我国许多湖泊的富营养化状态日趋严重。水体的富营养化状态会诱发许多环境资源问题,其中蓝藻水华是水体污染的主要后果之一。因此,科学地模拟和预测蓝藻水华的爆发过程,对相关部门治理和防控蓝藻水华具有重要意义。然而,现有的蓝藻水华分析主要存在两方面问题:一方面,基于现场监测数据的研究,缺乏对整体水域的综合分析。遥感图像能够反映整个水域的时空信息,但传统的分析方法难以有效的处理大量遥感数据。另一方面,许多研究仅围绕单种因素遥感图像进行预测建模,忽略了其他因素对蓝藻水华的影响,也无法实现对多种影响因素之间关联性的捕捉。本论文基于遥感图像和卷积神经网络技术分别通过单因素建模、多因素建模过程对蓝藻水华预测方法展开研究。首先,在传统二维平面卷积操作中加入时间维度,构建三维卷积神经网络3D-CNN模型,利用细菌觅食算法优化该网络的结构参数,提取叶绿素遥感图像的时空联合特征,预测目标水域的富营养化等级。其次,综合水质监测数据、蓝藻水华机理模型和遥感图像特征建立多输入ENN模型预测叶绿素浓度,完成蓝藻水华预测的单因素建模过程。在此基础上,以影响水华暴发的多种因素作为第四维度,将现有的3D-CNN模型扩展至4D-CNN模型,并从激励函数与分类器两方面对4D-CNN模型进行改进。通过对改进的4D-CNN模型进一步分形扩展提出四维分形卷积神经网络4D-Fractal Net模型,提取多种影响因素（叶绿素、藻蓝素、温度）的遥感图像时空特征,实现水体富营养化等级的预测。同时,综合机理模型和多种影响因素的遥感图像时空特征构建ENN模型获取叶绿素浓度预测结果,完成蓝藻水华预测的多因素建模过程。本论文以江苏省太湖流域为例进行仿真验证,结果表明,本文提出的3D-CNN,改进的4D-CNN,4D-Fractal Net模型在水体富营养状态预测方面均表现出了较为出色的性能,4D-Fractal Net模型的预测精度最高达到85.71%。本文基于多因素遥感图像特征所建立的ENN模型对水体叶绿素浓度的实现了较为精准的预测,最佳预测精度达到96.21%。实验数据表明,本文所提方法可以对蓝藻水华的暴发时间及严重程度实现相对准确的预测预警,促进水环境资源保护与水环境技术进步,最大程度上实现对环境用水的充分利用和有效保护。