随着城市化进程的加快,人们对水资源的需求变得越来越大,与此同时水务行业在发展过程中难免会遇到管道因为老化、腐蚀以及第三方人为破坏等原因导致的爆管,从而造成水资源浪费以及环境破坏,因此开展供水管网爆管检测与诊断研究显得尤为重要。本研究以机器学习方法为手段,围绕供水管网爆管实时检测这一目标,对以下三个方面进行了研究。（1）供水管网压力计优化部署方法当前供水管网底层压力计节点部署主要依靠人工经验和大客户需求作为依据,缺乏系统性的科学论证,容易造成节点冗余和覆盖不足的情况。针对这一问题,本文采取先聚类再筛选的策略,首先运用K-means方法进行压力计聚类,随后再以节点爆管灵敏度这一指标作为筛选依据,选择爆管灵敏度高的节点作为压力计部署点。通过优化后的压力计节点监测供水管网整体运行状态,为爆管诊断提供数据支撑。（2）基于水压最不利点的供水管网整体状况评价方法基于水压最不利点压力示数推测供水管网整体供水态势是水务行业中的通行做法,但当前的推测往往依据一线工作人员的主观判断,容易受到诸多不确定因素的影响,因此需要一种客观的数学模型对最不利压力点示数的异常程度进行估计。本研究引入了迁移学习框架,利用不同时期的历史压力数据构成多个源域,进而建立水压最不利点的压力示数预测模型。此外,论文所提数学模型亦考虑到全网不同压力计节点示数之间的相关性并对此进行了建模表达,以增强模型的精确性。最后,通过水压最不利点压力预测值与真实值之间的对比,可以明确地表明当前供水管网中是否存在异常情况,避免人工判断带来的不确定性。（3）无标签在线爆管定位方法在实际工作场景中,基于压力计和流量表获取的供水管网状态数据难以包含必要的数据标签,使得常规监督学习方法无法直接用于爆管定位之中,因此本研究首先通过基于最短路径算法为每个管段匹配相应的压力计节点,以解决管网中管段与压力计数量的不对等问题。随后使用局部离群因子算法通过匹配后的压力计示数实时估计各管段的离群程度。最后将管段的离群程度转换为爆管概率,将爆管概率较高的管段认定为爆管,以此实现供水管网中的爆管实时定位。