随着经济社会的快速发展及人类生产活动的加剧等因素导致我国的水资源污染问题日益严峻,改善水体生态环境已经成为了当前社会的广泛共识。水体富营养化问题是水污染最为严重的问题之一,对水生态系统的稳定性和多样性构成极大威胁。进行水体富营养化预测能够及时了解水环境的质量和污染状况,根据其将来可能的发展趋势,采取必要的行动进行水体的综合治理。本研究基于团结河口水质在线监测系统为背景,对近岸海域的水质进行实时在线监测,通过监测数据分析和预测水体污染状况,尤其是富营养化问题。首先,本研究重点讨论了水质监测系统的总体架构及各种水质参数监测方法,并对系统的设计方案提出了一定改进,提出了基于观测网多传感器方式的水质监测系统架构,能实现水质数据更加稳定的采集和传输。对于海量水质监测数据提出了基于大数据技术的存储及数据分析的方案,为海量水质数据的处理提供一定参考。其次,本研究对于水质数据的预处理方法展开详细介绍,区别于其他类型数据,水质数据各指标之间存在一定的耦合关系,这使得处理水质数据时对单个特征进行处理存在一定问题,在此基础上本研究对数据集中存在的缺失值、异常值等常见问题提出了相应的解决方案。为减少数据特征冗余,利用因子分析法对水质数据集进行降维,确定了水温、PH、溶解氧、叶绿素a、浊度、化学需氧量(COD)、磷酸盐、硝酸盐等8个水质参数作为为影响富营养化的因子指标。最后,针对大数据场景下的水质数据的处理和预测,本研究选择深度神经网络(DNN)及集成学习算法XGBoost实现对叶绿素a进行回归预测,根据叶绿素a的浓度来反映和预测水体富营养化状况,预测间隔选择为1天对于水环境治理的时效性提供了一定支持。根据在测试数据集上的表现两个模型的预测精度都较高,但XGBoost模型最大相对误差9.7%,近乎是DNN模型最大相对误差18.6%的一半,XGBoost模型抗干扰能力及对部分局部点的拟合能力优于DNN模型。