随着人类社会的不断进步,水环境污染和治理问题被广泛关注。叶绿素a（Chl-a）含量作为衡量水体富营养化状况和水体藻类含量的一项重要参数,通过分析其变化情况,可以更为清晰地掌握水体质量的动态变化,为水体藻类爆发的预警工作和水环境的治理提供重大的帮助。本文通过物联网技术获取了研究区域2020/5-2020/12期间的水质数据,以此为基础分析水质数据的时空变化特征以及Chl-a的相关影响因素,同时在一定程度上评估了研究区域水质污染状况,并构建Chl-a浓度预测模型,用于实现研究区域Chl-a浓度的预测。本文主要结论如下:（1）通过分析研究区域水质监测因子的时空变化特征,得出总氮（TN）浓度的峰值处于6月份和9月份,最小值处于11月份;总磷（TP）浓度的最大值处于11月份,最小值处于7月份;氨氮（NH3-N）含量在7月份的污染最轻,之后随月份的变化污染程度不断上升;高锰酸盐指数(CODMn)大致表现出随月份的变化逐渐减小的趋势特征;水体溶解氧（DO）的含量整体随月份的变化表现出一定的上升趋势;p H值的月变化特征主要呈多峰型分布,存在多峰峰值点和谷值点;水体浊度的时间特征大致呈反比例函数曲线分布,即随月份的变化,浓度值逐渐降低。研究区域两端处监测站点的TN浓度小于中间处监测站点;TP的空间特征大致呈多峰形态分布;NH3-N和p H的空间特征是中间处站点含量偏高,两端处站点含量偏低;在前3个月期间各监测站点的CODMn随水流有小幅度的增长,后3个月各监测站点的CODMn无显著的波动;DO和水体浊度未表现出显著的空间性差异。（2）以Chl-a、TP、TN、CODMn四项参数的数据为基础,通过引入综合营养状态指数法,实现研究区域水体富营养化程度的评估,结果表明研究区域水质长时间处于Ⅳ-Ⅱ类之间,而且5月份至9月份期间研究区域总体是处于轻度富营养化状况,9月份后则转变为中营养化状况。（3）通过分析Chl-a浓度的分布特征及其与监测的水质因子、气象因素之间的关联性可知,Chl-a浓度的时间特征是在8月份之前,以一定的速度增加,之后随着时间的变化,Chl-a浓度又开始以较小的幅度逐渐下降;其空间特征大致是中间监测站点处的Chl-a浓度略高于两端。Chl-a浓度与硝酸盐、TP、DO、p H值、水温、日照时数之间呈现出显著的正相关特征,Chl-a浓度和CODMn、降雨量之间呈显著的负相关特征,ln（Chl-a）和ln（TN）之间呈显著的负相关特征。（4）将研究区域的水质数据作为原始样本数据,使用筛选出的最大相关-最小冗余算法（MRMR）提取出效果更好的特征子集,作为预测模型的输入样本,同时将精英遗传算法（EGA）融合模拟退火算法（SA）用于优化极限学习机（ELM）的网络参数,有效避免在寻优过程时参数陷入极值的问题,最终构建一种MRMR-SA-EGA-ELM的Chl-a浓度预测模型。结果表明,MRMR-SA-EGA-ELM模型预测Chl-a浓度的平均绝对误差（MAE）、均方误差（MSE）、决定系数（R~2）分别为0.704、0.714、0.903,而ELM模型预测结果的MAE、MSE、R~2分别为5.092、38.671、0.472,MRMR-SA-EGA-ELM模型的预测效果有显著提升,可以实现对Chl-a浓度更加准确的预测。