节制闸作为调水过程中主要控制建筑物,可通过对其启闭幅度的动态调节控制渠道内的水量变化情况,保障工程运行安全。传统节制闸调控方式较为稳妥,但存在决策效率低、劳动强度大的缺点。随着深度学习、人工智能等新兴技术的快速发展及应用,促使节制闸的传统调度方式向智慧化调度转变。为提升南水北调中线工程闸群自动化控制水平、推进“智慧化调水”进程,本文以闸群实时调控为主要研究目标,利用机器学习的方法构建了基于历史监测数据的实时调控预测模型,实现常规工况下闸群自动控制。主要研究成果如下:（1）针对调度运行中出现监测站点流量倒挂的数据异常现象,基于水量动态平衡原理及区间流量最长序列法,构建流量监测站点倒挂数据清洗模型;以中线工程白河至黄金河段为例,基于模型清洗后的流量数据作为上边界条件,构建水动力模型对模型清洗效果进行验证。结果表明:清洗模型解决了流量监测数据中存在的倒挂现象,提高了流量监测数据的质量,并发现流量监测设备存在的监测数据偏差及闸门调控的干扰是造成该现象的主要原因;利用模型清洗后的流量数据进行水动力数值模拟较清洗前有较大提升,闸前水位平均绝对误差减少0.0757m,均方根误差减小0.0895m。（2）利用历史监测数据中的节制闸调控数据,分别构建基于随机森林算法和BP神经网络的闸群实时调控预测模型,并利用一维水动力模型对预测模型生成的调控方案进行检验,验证预测模型可靠性。结果表明:两预测模型对闸门调控状态的预测准确率均可达80%,对闸门开度变幅预测的R~2均可达0.8,预测效果较好;水动力数值模拟的闸前水位日变幅满足设计要求且未超设计水位,实时调控预测模型生成的调控方案安全可靠。（3）基于数理统计和深度学习的方法,分别构建节制闸调控后水位预测模型,验证节制闸调控幅度的可行性和有效性。预测结果表明:基于深度学习的节制闸调控后水位预测模型预测效果优于数理统计方法,全线节制闸闸前水位平均绝对误差平均值降低0.058m,R~2平均值提高0.1。针对上述模型预测效果较差的节制闸,构建数据与机理双重驱动的水位预测模型,检验改进模型预测效果,预测结果表明:该预测模型可解决部分节制闸预测模型欠拟合的问题,提高预测精度。