随着深度学习技术在时间预测领域的广泛应用,越来越多的科学研究者将深度学习方法运用到环境领域。目前,以非点源污染为主的水环境问题日益突出,因此,为了能更好地保护水环境质量,水质的特征趋势分析和预测成为了一项重点研究内容。基于物理过程的机理模型,由于参数众多且参数确定的复杂过程导致其实现有一定的困难。随着计算机技术的发展,深度学习逐渐成为时序预测的主流算法,可以有效克服传统的预测方法出现的问题,但深度学习模型也存在着关键的实用性问题,在数据极值出现的情况下,模型不能很好地预测,甚至会出现偏差较大的情况。另外在非点源污染的水质预测中,土地植被等空间因素也是需要被考虑的因素。如何解决以上关于非点源污染的深度学习模型构建的问题,以下是关于本文研究成果:（1）首先,为了解决土地植被等空间因素对非点源污染产生的影响,本文引进了VGG方法,构建了基于深度学习的空间特征提取模型。利用VGG模型提取研究区域的空间图像的特征值,由于其输出的空间特征维度过高,采用主成分分析方法降低高维特征的维度,并计算欧氏距离得到最优的特征提取效果,将高维特征转换为多维时序数据,作为后续深度学习模型的图像数据的特征表达向量。（2）其次,本文研究非点源污染物的迁移扩散过程,利用物理模型计算模拟值,构建模拟-观测（SOD）模块计算目标污染物的时间误差序列,结合水文和气象数据、其他污染物数据、以及空间特征时序数据,构成深度学习模型的输入数据集,解决了深度学习数据极值预测准确性的问题。（3）最后,本文构建了流域非点源污染的时序型深度学习模型,结合VGG、SOD、LSTM模型构成SOD-VGG-LSTM组合模型,验证了模型的有效性。实验结果表明,与机理模型相比,该模型在极值预测方面的准确率最高,预测值与观测值的最大相对误差为7.82%。与差分自回归移动平均模型（ARIMA）、支持向量回归模型（SVR）和循环神经网络（RNN）相比,显示了所提模型的优越性,所建立模型的RMSE、MAE和SMAPE指数分别为0.261、0.225和1.41%。综上所述,本研究通过对水质历史时序数据以及空间信息的分析,结合深度学习方法,对其构建了一种水质预测组合模型。经过实验验证表明,与其他预测方法相比,本研究提出的方法拥有了更加准确的极值预测结果,且能够反映空间特征对非点源污染引起的水质变化的影响,为未来非点源污染的水质变化预测提供了新的研究思路与方法,同时也为水环境质量保护提供了可靠的技术指导。