湖泊水体富营养化是严重影响淡水资源化利用的主要危害之一。快速、准确、便捷的水华监测方法对于湖泊生态环境状况的研究、治理以及保护具有重要意义。巢湖地处安徽腹部,是安徽省内最大的淡水湖,巢湖水质健康程度对当地工农业发展以及居民用水安全至关重要,及时有效的水华监测方法是了解巢湖水生态的重要举措,是水环境保护和水污染预防的重要前提。当前,人工实地采样监测效率低下,遥感技术具有大尺度、高时间、高空间、高光谱等优势,基于遥感的传统水华监测方法难以在精度和效率之间取得平衡,因此急需更加快速、精准的技术方法实现对巢湖水华进行监测和研究,深度学习方法在遥感解译具有高效和高精度的优势。前人对于巢湖水华暴发机理的研究较多,如何有效利用这些机理实现水华暴发的预警预测,对于巢湖水华的治理、防控以及避免生命财产损失具有非常重要的意义。本文通过分析和探究巢湖水华优势种随季节变化特点,发现水华光谱特性随季节变化的特点。基于此,本文通过制作了巢湖区域的春冬数据集与夏秋数据集以适应巢湖蓝藻水华季节性变化特点,通过训练获得适用于提取巢湖蓝藻水华的双季度注意力U-Net网络模型（Dual-seasonal self-attention U-Net,DSU-Net）,在此基础上,揭示了2017-2020年巢湖水华的时空变化特点。进一步利用卷积神经网络和长短期记忆网络（Convolutional neural network and long short-term memory,CNN-LSTM）,结合巢湖水华暴发前7天的气象数据和水文数据以及上述方法解译得到的水华结果,构建巢湖水华暴发预警模型。本研究的目的是为了实现湖泊水华快速、准确、便捷的监测,从而为水华暴发预警提供技术支持,为我国湖泊生态环境治理提供坚实的后盾。主要研究工作和结论如下:（1）基于DSU-Net网络的巢湖水华提取模型本研究是将数据集分为春冬数据集与夏秋数据集,并分别训练DSU-Net网络模型。基于DSU-Net模型验证训练结果:相较于其他水华提取方法,DSU-Net在水华提取方面更具优势,更容易获取水华特征从而实现高精度水华提取。实验表明,在精度验证中,本文方法的各指标参数均高于92%,尤其是,夏秋季节DSU-Net模型各指标参数均高于97%。在2020年影像泛化能力测试中,本文方法相对于FCN、U-Net以及SYU-Net依旧更具优势且f1得分均高于85%。基于上述DSU-Net水华提取方法解译2017-2020年巢湖水华并分析其时空分布特征。时间上,2017-2019年巢湖水华夏秋季暴发程度和范围远大于春冬季;2020年较为反常,春季水华暴发面积较大,而夏、秋季节水华暴发范围较低;空间上,水华暴发主要集中于巢湖西北部,同时岸边的水华亦有了向湖中心蔓延趋势。（2）基于CNN-LSTM网络的巢湖水华预警模型通过前人的研究可知,气象因素和水文因素是引起水华暴发的主要诱因。基于此,本研究利用气象数据和水位数据构建巢湖水华暴发预警数据集,结合CNN-LSTM网络模型实现巢湖水华预警预测。结果表明时序为7天的水华暴发预警模型明显优于4天、5天、6天时序测试结果。特别是,在水华暴发两类预测中预测准确率达94%,明显优于其他三组时序结果,在三类预测结果也均优于时序为4天和5天的结果;气象+水位数据组合训练策略优于单独气象数据和水位数据;春冬季节蓝藻水华活动低迷,因此更容易预测出春冬季节蓝藻水华暴发程度,夏秋季节由于水华暴发范围剧烈变化,影响因素众多,水华暴发预警能力相对较差。本文提出的巢湖水华解译方法效果较优,适用于巢湖蓝藻水华特点,可以实现精细化、快速识别水华目标;提出的巢湖水华预警模型可以实现较高精度的水华暴发预警,对于巢湖水华暴发风险具有一定的研究价值。本文方法对于其他湖泊的水华提取和水华暴发预警具有参考意义。