针对频繁发生的水污染事件,本论文基于数据驱动模型对水质进行时间与空间上的预测预警分析,为突发性水污染事件的决策与处置提供依据。对于水质时间序列预测模型,采用变分模态分解算法将水质时间序列分解成相互独立、平稳的子序列;再通过皮尔森相关分析,判断不同水质指标对各子序列的相关关系,并作为BP神经网络的输入变量;构建基于变分模态分解的BP神经网络水质预测模型,对案例中的叶绿素浓度进行预测分析。比较基于经验模态分解的BP神经网络模型和单一BP神经网络水质预测模型,发现变分模态分解可以避免经验模态分解模态混叠的问题,并能有效降低水质时间序列的非平稳性;皮尔森相关分析可以判断水质与子序列的相关性,对神经网络输入进行优化;所建立的模型的R~2达0.95,具有较高准确性,可以为时间序列预测预警提供基础。对于水质空间迁移预测模型,基于信息熵理论,利用快速相关过滤式算法,依据上游水文水质与下游水质之间的关系,筛选与下游目标水质在时空尺度上相关的多维上游水文水质变量,作为BP神经网络的输入;建立基于快速相关过滤式算法的BP神经网络水质空间迁移预测模型,对案例中的硝酸盐浓度和电导率进行预测分析。与单一BP神经网络水质预测模型相比,R~2提高0.1;快速相关过滤式算法可以对BP神经网络的输入进行有效筛选,优化了模型结构。所建立的模型可以有效反映污染物在河流中的迁移变化情况,为空间上的水质预警提供有效信息。针对突发性污染事件,从时间和空间两个角度出发,对水质进行异常检测,分别建立基于支持向量机的半监督式水质时间与空间预警模型。利用受试者工作特征曲线下面积判断所建立模型的准确性,对比不同核函数下的一类支持向量机算法和支持向量描述算法,发现支持向量描述法对水质异常判断准确性多数为85%,能够准确的从空间和时间上对水质异常情况进行判定。最后采用定性分析,根据综合加权指数法,对水质时间序列预警进行预警等级的评价,对水质空间迁移预警模型的危险区进行判定。本文从时间和空间两个角度,建立相应的水质预测预警模型,可以有效反映水质在时间和空间上的变化情况,并进行准确的预警分析。为环境管理者提供决策信息,为水质预测预警模型的建立提供技术支持,所建立模型具有较好推广性。