中国的平均水资源占有量远小于全球的平均水平,水资源短缺问题亟待解决。据统计,供水系统中的管网漏损是水资源浪费的主要表现之一,其中,管网爆管事故又是导致管网重大漏损的关键原因。本文设计了一套集管网压力数据查询、数据可视化、压力预测于一体的供水管网压力监测系统,利用压力历史数据,采用基于模型融合的压力预测方法进行压力预测,并进行压力数据异常分析,出现压力数据异常时,推送消息提醒,在降低爆管风险的同时提升了居民用水体验。本文主要研究工作包括:1.设计了一种基于模型融合的压力预测方法,提高了压力预测的准确率。首先,构建了关于管网压力值的时序特征集;其次,结合长短期记忆网络（Long Short-Term Memory,LSTM）和循环神经网络（Convolutional Neural Networks,CNN）的优点,设计了长短期记忆循环神经网络（LSTM＆CNN,LCNN）模型,降低压力预测误差率的同时提升了算法的运行效率;然后,分别构建轻量级梯度提升机（Light Gradient Boosting Machine,LightGBM）以及规则预测模型,最后,对上述三个模型取最优权重系数并融合得到最终的预测结果。实验表明,相较于单模型,基于模型融合的压力预测方法在预测准确率以及泛化性能等方面均得到了有效的提升。2.开发了一套压力监测系统,包含数据查询、数据可视化、压力预测、异常值判断以及异常信息推送等功能。系统采用Spring Boot作为开发框架;使用MySQL数据库实现数据存储;使用BootStrap Table、EasyExcel等工具实现数据展示和数据导出等功能;通过ECharts工具实现压力数据的可视化功能;利用Flask框架将压力预测算法融合到系统中,实现供水管网的压力预测;根据正态分布的3σ原则实现压力采集值和压力预测值的异常判断,若压力值异常则利用短信、微信实现异常信息推送;对数据查询过程进行了优化。对系统进行了功能性和非功能性测试,非功能性测试表明该系统具有可靠性、易操作性、安全性和可用性;功能性测试结果表明,相比于单模型,基于模型融合的压力预测方法预测准确率满足供水管网压力预测的需求,在优化管网运行质量、降低管网漏损率、推进“智慧水务”平稳运行等方面具有重要意义。