目前中国的用水量巨大,内陆供水管网,尤其是县市级城市平均漏失率很高,因漏失造成的损失高昂,管道泄漏问题严峻。本研究旨在使用机器学习图神经网络技术,关注智能控制系统中控制模型的设计,通过改进控制模型和改进控制模型输入量来提高控制模型的性能,从水网压力控制角度解决水网漏失率高的问题。本研究使用传感器收集的数据和预测数据,通过水网压力控制模型计算出当前时刻理想的水网主节点水压值,指导减压阀等设备调节水网主节点水压状态,进而减少因水压不合理导致水管壁破裂的情况,完成水网漏失智能控制任务。本文所涉及的具体研究工作包括:（1）确立了基于压力控制的水网漏失控制方法。针对控制模型的设计,本文针对水网的图结构特点,设计出该场景下使用的图卷积神经网络作为模型研究的底层网络,能更好的提取到非结构化数据中的特征。针对控制模型的训练,本文提出一种基于生成对抗机制的水网压力控制模型训练框架。通过构造水网状态评价模型作为判别器,来监督作为控制模型的生成器学习结果优劣。与原始生成对抗网络不同,本文判别器为预训练模型,判别器将为生成器提供先验知识,从而使生成器更快的收敛。针对控制模型的输入,本文从信息论角度,通过构造水网压力预测模型作为数据增广的手段,提出基于双数据源的智能控制系统框架,提高水网漏失控制的性能。（2）对复杂供水管网进行静态等值,使用EPANET软件对真实供水管网进行建模,并根据水网中传感器采集的数据对水力模型进行校核,使仿真模型能客观的反映真实水网的运行状态,把不利于直接进行实验研究的复杂系统转换为支撑水网漏失智能控制研究的简单系统。（3）基于图神经网络搭建水网状态评价模型,引入注意力机制,解决了图卷积神经网络边特征和节点特征不能学习的缺点,并纳入生成对抗机制的控制模型训练框架中判别器的设计。基于单数据源搭建水网压力控制模型,使用生成对抗机制完成模型训练并通过实验对比分析水网漏失控制效果。（4）基于图神经网络搭建数据增广模型,引入改进的Adaboost算法,设计出具有循环神经网络结构的图卷积神经网络,通过提高模型的深度,获得更高的水压预测精确度。引入增广数据结合已有数据构成双数据源,基于双数据源搭建水网压力控制模型,使用生成对抗机制完成模型训练并通过实验对比分析水网漏失控制效果。