水环境是自然生态环境中最重要的部分之一。近年来,由于社会经济的迅速发展和人类活动范围的不断扩大造成了全球水环境愈发严峻的污染态势,合理开发利用水资源,对水环境进行保护,维持生态平衡显得尤为重要。水质预测作为水环境研究的重要内容,已经成为现代环境科学理论研究的基础课题之一。考虑到水环境系统的复杂性,为提高水质预测的准确性,本文提出了基于偏最小二乘法(Partial Least Squares,PLS)结合灰狼算法(Grey Wolf Optimization,GWO)优化支持向量回归机(Support Vector Regression,SVR)的水质预测模型。首先,针对水环境系统的非线性跟不确定的特点,提出利用支持向量回归机模型对水质进行预测。支持向量回归机具有全局最优、结构简单、泛化能力强和适合小样本数据预测等优点,在非线性系统的预测方面更为合适。同时,支持向量回归机的性能取决于核函数的类型以及参数值,而参数选择具有不确定性,为了能够得到最佳的参数值,本模型选择利用灰狼算法进行参数寻优。由于水质因子多重相关性使水质信息产生冗余,导致预测精度下降,本模型采用偏最小二乘法对水质预测模型输入变量进行特征提取来解决此类问题。通过这种组合算法的方式,以此建立了基于PLS-GWO-SVR的水质预测模型。其次,将提出的水质预测模型进行实例验证。利用数据挖掘的相关知识对复杂的石河水库水质监测数据进行预处理,包括缺失数据处理,数据去噪,数据归一化。将处理后的水质监测数据构建数据库,为下一步仿真实验奠定了基础。同时介绍了主要的水质因子,并分析了石河水库水质因子之间的多重共线性,证明本模型中偏最小二乘法使用的必要性。最后,将处理好的石河水库水质数据输入到PLS-GWO-SVR水质预测模型中,对水体溶解氧和总氮含量进行预测,并且与PLS-SVR预测模型,SVR预测模型,BP神经网络预测模型进行预测对比。结果表明,本研究提出的PLS-GWO-SVR水质预测模型具有更好的预测精度和泛化能力。