由于城市化进程的加快和人口数量的增长等诸多影响,城市排水管网水质问题日益突出。然而,因城市排水管网分布较广和传统水质检测时效性差等困难导致其无法被及时的发现,从而难以高效的解决。近些年,随着技术的快速发展,有大量的研究表明,构建城市排水管网水质预测模型是实现对排水管网水质合理管控最有效的方法之一,它能够避免传统水质检测方法在时间上的限制,实现对排水管网水质的快速预测,有助于及时的发现和解决排水管网水质问题。但是,由于城市排水管网的水质情况十分复杂,目前所构建的预测模型仍存在预测准确度低、建模成本高和实际应用能力差等缺陷。针对以上问题,本论文提出基于低成本且易于获取的城市系统多源数据（即环境指标数据、社会指标数据、水量指标数据和易于检测的水质指标数据等多种来源的指标数据）,构建以多源数据融合算法为本体的、耦合多种科学方法的城市排水管网水质预测模型,实现对排水管网水质的高精度预测。本论文首先通过对城市排水管网水质的连续监测,揭示排水管网水质变化的时空变化规律和特征时段,从而确定了最佳的基础数据采集频率。其次,通过对比多种类型的数据融合算法性能,确定了在本论文中深度学习算法对城市系统多源数据的特征提取具有较强的优势,其中门控循环单元神经网络算法（Gate Recurrent Unit;GRU）的预测性能最优。然后,通过耦合网格搜索优化方法（Multi-parameter Grid Search;MGS）,使预测模型具备网络结构及性能自优化功能,并联合敏感性分析方法（Multi-source data Sensitivity Analysis;MSA）,量化各项输入指标对预测结果的贡献程度,建立了基于多源指标数据贡献程度分析的模型输入变量优选模式。最后,将GRU、MGS和MSA进行有机整合,建立了准确高效的城市排水管网水质预测模型。通过对某城市生活区、商业区和工业区的排水管网系统的案例应用分析,本论文分析并探讨了该模型所具备的三大功能:多源数据与水质指标数据之间映射关系的构建、模型网络结构及其性能的自优化、以及基于输入变量贡献程度的输入指标优选。根据案例应用分析发现:（1）该模型对城市系统多源数据和排水管网水质数据的特征具有较强的捕获和学习能力,并能够实现对两者构建较强且稳定的映射关系。基于多源数据具备高频采集的特性,该模型有望实现对排水管网水质较高频率的预测。（2）本论文所构建的模型对排水管网水质具有较强的预测能力。该模型对典型的水质指标（BOD5、COD、NH4+-N、TN和TP）和排水管网中的关键性水质指标（油脂含量以及Cu、Zn、Ni、Cr等重金属）均能够实现较高的预测精度,平均R~2值可达到0.90以上。（3）预测模型中基础算法的网络结构对模型的预测性能具有较大影响,该模型中的自优化功能能够实现基础算法最优的网络结构,达到模型最佳的预测性能。（4）在预测排水管网水质的过程中,多源指标数据对模型预测结果的贡献程度各不相同,而且,其中一定数量的关键输入指标变量之间具有较强的交互作用。总体来说,本论文所构建的预测模型能够实现对城市排水管网水质较高准确度的预测,能有效反映排水管网各个节点水质的时空变化情况,有利于及时掌握管网中污染物的时空分布状况。这不仅有助于城市排水管网水质问题的快速排查和溯源,而且能够为排水管网的日常巡检和养护计划的制定提供依据。此外,该模型能够实现对排水管网水质的实时预测,能够对管网水质的异常或超标情况的预警提供及时可靠的依据,将为下游污水处理厂的稳定运行提供重要保障,同时对城市智慧水务的发展具有重要意义。