高校园区用水作为城市用水的重要组成部分,在人均用水量方面明显高于城镇居民用水量,因此对高校园区用水量进行科学合理的监管,具有重要的节水意义。现如今高校园区供水主要依靠人工经验决策,但人工经验决策供水误差较大,常常导致水管爆裂、用水高峰供水不足等情况发生。本文以河北工程大学为研究对象,首先分析了历史供水数据的特征、分布、影响因子,提出了一种基于深度学习的混合需水预测模型。为进一步提升校园的短期供水精度,将混合需水预测模型封装成Falsk服务接口应用于水务平台中。本文主要研究内容如下:（1）针对短期需水预测研究中存在的单步预测和多步预测精度较低问题,提出一种基于SSA-Conv LSTM-LSTM混合模型的短期需水预测方法。由于校园历史相关数据样本中存在奇异值,因此在模型训练前需对样本数据进行数据预处理。针对校园用水趋势受用水主体的用水行为规律影响,用水趋势在时间维度上呈现出多周期和多峰值的特征。为提取上述特征,经过理论推导发现Conv LSTM（Convolutional Long Short Term Memory,Conv LSTM）具备提取时空特征提取能力,虽然Conv LSTM可以提取到一定的时空规律性,但预测精度仍有提升空间。为进一步提升预测精度,在Conv LSTM基础上增加LSTM（Long Short Term Memory,LSTM）网络构成Conv LSTM-LSTM混合模型,然而混合模型参数众多导致调参困难。对于混合模型调参困难问题,利用麻雀搜索算法（Sparrow Search Algorithm,SSA）优化Conv LSTM-LSTM混合模型中的卷积核数目和隐藏神经元数等超参数。通过仿真验证表明基于SSA-Conv LSTM-LSTM混合模型的短期需水预测方法能够有效挖掘校园园区用水趋势,并可以精确地预测出短期校园需水量。（2）针对短期校园供水量误差大,水资源供需失衡问题,搭建了基于Flask框架的智慧校园节水系统。该系统结合SSA-Conv LSTM-LSTM预测模型和园区水务管理业务进行了功能的设计和开发。系统基于历史数据,并依靠预测模型实现校园需水量的预测及供水预警功能。除此之外系统依靠预测模型实现对未来多天的需水量和需水趋势的预测,从而为校园短期供水规划提供数据依据。系统测试表明该智慧校园节水系统运行安全稳定,能够有效提高校园水务管理的智慧化水平。