水是人类和生物赖以生存的物质基础,在过去的几年里,水质一直受到各种污染物的威胁。水质监测对水污染控制具有重要的意义,自1998年起,我国先后在七大水系重点流域设置水质监测点,后续随着制度的不断完善,各个地方根据需要设置地方级水质监测点。通常,水体监测指标温度、色度、浊度、pH值、电导率、悬浮物、溶解氧等可以使用简单便捷的仪器直接测定。总氮、总磷、总有机碳等监测需要大量的人力物力进行采样分析和检测,常规的检测方法成本高,过程复杂。因此,建立模型和预测水质对控制水污染非常重要。本研究提出了一种高效的检测复杂水环境中不同指标浓度的方法,初步搭建了光谱装置并结合高通量技术和机器学习来实现这个目的。以长安区为例,通过对实际水体样品的检测进行实验算法的构建,将记录有不同指标浓度信息的特征光谱图像输入给已经建立的神经网络模型,便可获得图谱所对应的混合水样指标的种类和浓度。此方法可用于区域环境智能检测网的基础研究工作,构建研究区域的快速检测污染物的方法,同时为其他地区的相似工作展开提供方法指导。主要研究过程和结果如下:（1）采集保存水样,利用大型仪器对水样不同指标浓度进行测定。使用不同的大型仪器测定水样中总氮、硝氮、总有机碳、总磷、Ca2+、Na+、Cl-、F-、SO42-等的含量。（2）根据显色剂的特性和显色反应的结果,从20种显色剂进行筛选出合适的显色体系。通过孔穴板滴定显色实验,计算显色反应前后的色差值筛选出合适的单一显色剂。研究不同水样背景溶液和不同指标溶液下显色剂的显色效果,根据实验结果,选择中性红、铬天青S、溴百里香酚蓝、溴酚蓝、孔雀石绿、溴甲酚绿、钙试剂羧酸钠、甲酚红、溴甲酚紫这9种显色剂作为复合显色剂。（3）搭建并调试光谱仪器设备使其正常运行,进行光谱实验获得特征光谱图像。在光谱设备的运行过程中,原始光被调制成许多散射光束,可以同时穿过含有复杂水样的样品池。在光路末端,残余光束被高清摄像机捕获,生成光谱实验的图像。整个设备由反应系统、进样系统和数据收集系统三大部分组成。反应系统由光源、磨砂玻璃片、滤光片、样品反应池四部分组成。进样系统由蠕动泵和输样管组成。数据收集系统由摄像机和计算机组成,含有溶液信息的数字化图像被计算机保存。（4）对特征图谱进行标准化处理,将光谱图片信息数字化获得不同指标的浓度信息。对光谱图像进行灰度化处理,提取图片的灰度值绘制等高线图,通过等高线图直接观察反应前后光谱图像之间的差异。将实验得到的光谱图像经过旋转、定位和裁剪等批量化处理操作,对光谱图像进行统一编号。将水样不同指标的浓度值汇总为总维度标签,标签值和图片一一对应。（5）建立机器学习的模型,将获得的图像和对应的标签值输入机器学习的网络,60%的数据作为训练集,20%的数据作为验证集,20%的数据作为测试集。根据学习结果建立模型实现水体中不同指标浓度的预测。同时分析了不同学习网络、特征图谱分辨率和特诊图谱数据量对机器学习的影响。结果表明,不同网络对各指标的学习结果影响较大,网络GoogLeNet Inception v1和网络ResNet-50学习效果较好且结果相似。学习结果显示,水质指标总磷的R2为0.97,其余各项指标的R2在0.98到0.99之间。网络SqueezeNet V1对各指标的拟合结果R2在0.91和0.94之间。光谱图像分辨率大小对拟合结果的影响较小,使用网络GoogLeNet Inception v1对14400张像素为275×275px的光谱图像的学习结果显示,预测集各指标的R2均大于0.99,拟合效果最好,预测结果更为准确。