在城市排水系统领域中,城市地下水位智能监测技术是非常重要的研究方向。地下水位预测与异常检测能为排水系统及时提供参数信息,保证其高效运行。常用的地下水位预测技术是基于循环神经网络模型（RNN等）实现的。RNN系列模型能够提取水位信息之间的关联性,但信息提取无法精确集中在重要的部分,模型无法实现长时间高精度预测。常用的地下水位异常检测算法是基于非深度模型（LOF等）实现的。非深度模型实现过程较为简单,但其对水位信息建模能力不足,异常检测精度较差。如何实现地下水位长时间高精度预测以及异常数据的精确分类是本文的主要研究问题。在地下水位预测方面,提出了基于自注意力机制的地下水位预测模型,研究成果包括:1.为了使模型有较强的信息提取能力,将自注意力机制应用于地下水位预测中,设计了基于Transformer的地下水位预测基础模型。2.为了提升模型的量化能力和鲁棒性,将概率模型与基础模型结合,设计了概率Transformer模型。3.为了丰富模型提取的信息,将卷积神经网络（CNN）与基础模型结合,设计了概率CNN-Transformer模型。在杭州市地下水位数据集上进行实验,通过与RNN系列模型对比,验证了所设计的模型可以提升地下水位预测精度,延长高精度预测时间。在地下水位异常检测方面,本论文提出了基于深度模型的地下水位异常检测算法,研究成果包括:1.为了使模型有较强的地下水位建模能力,设计了基于变分自编码器（VAE）的地下水位异常检测算法。2.为了提高模型对外界不确定信号的抗干扰能力,将贝叶斯神经网络（BNN）与VAE模型结合,设计了变分贝叶斯自编码器（VBAE）模型。3.为了提升模型的水位信息建模能力,增加对地下水位辅助信息的提取与重构,设计了联合条件VBAE模型。在杭州市地下水位数据集上进行实验,通过与非深度模型对比,验证了所设计的模型可以提升地下水位异常时刻的检测精度。最后,设计并构建了地下水位数据监测和预警系统,其包括水位监测终端和云端平台。水位监测终端将测量的水位数据通过无线模块发送到云平台,云平台实现了水位历史数据的分类存储与查询,同时利用我们提出的地下水位预测与异常检测算法进行数据处理,为智慧城市排水系统的运行提供支撑。