水质预测是水资源管理和污染控制的基础性工作,建立数学模型,准确地进行水质预测,是进行水污染管理的有效手段。目前,有关水质预测的方法很多,但是没有一个通用的水质预测模型。在进行水质预测时,选用模型的任意性较大。支持向量回归(Support Vector Regression, SVR)是基于VC维理论和结构风险最小化准则而提出的一种新的机器学习方法,在解决小样本、非线性及高维模式识别中表现出许多优势。本文针对水环境系统的复杂性,尝试将SVR算法用于水质预测,并进行应用分析。该研究丰富了水质预测的理论和方法,为水环境监控管理提供了科学的技术支持,具有实际应用价值。以山东省小清河流域某断面的水质监测数据为实验对象,构建了SVR时间序列预测模型,计算一定时期内的化学需氧量(Chemical Oxygen Demand,简称COD)浓度和氨氮浓度。SVR预测模型通过调整输入变量可选择不同的模型参数用于参数寻优,结合实验分析了惩罚系数、不敏感系数以及径向基核函数参数对模型精度的影响,找出最佳参数,进行水质预测。预测结果与BP神经网络预测模型作比较分析,实验表明,SVR模型的平均预测误差为0.39%,低于BP神经网络的0.85%。从整体预测效果来看,SVR预测性能优于BP神经网络,预测结果更能反映水质真实情况,能够准确预报可能发生的水质污染事故。文中探讨了SVR预测模型在水质自动监测与预警系统的应用。在山东省水质自动监测站管理系统的基础上,引入水质预警技术,构建了水质自动监测与预警系统。在分析了水质预测与水质预警之间的区别和联系之后,将SVR预测模型引入到水质预警中,初步讨论了基于SVR预测模型的水质指标预警技术的实现。