水环境中的溶解性有机物（DOM）在吸收光后能通过一系列光化学反应生成具有反应活性的中间体（PPRIs）。在研究中常用PPRIs表观量子产率(ΦPPRIs)来评价DOM在这个光化学反应过程中生成PPRIs的能力。表征水体中DOM光化学特性能够反映水体的光反应活性,对研究有机污染物在水体中的环境归宿具有重要的意义。但是目前水体中DOM光化学特性在不同的水文状况等因素下的变化尚未明确,而且使用DOM组分特性结合线性模型去预测DOM的光化学特性也存在一定的局限。为此,本研究以珠江为研究对象,探究在不同水期下珠江中DOM光化学特性的变化模式以及影响因素,并以数据驱动的方法构建预测DOM光化学特性的机器学习模型,进一步评价模型性能和在珠江DOM光化学特性预测中的实用性。其中,主要结果如下:（1）珠江中DOM的光化学特性整体上介于天然河流和受污水处理厂出水影响主导的河流之间。水期的变化显著影响了珠江中DOM的组分特性,导致其光化学特性从丰水期到枯水期大幅度下降。相关性分析和模型结果表明,DOM浓度和其中的荧光成分能够很好地描述ΦPPRIs在水期中的变化模式,是影响DOM光化学特性的主要因素。（2）基于DOM光化学特性的研究数据开发得到的机器学习模型在对ΦPPRIs预测上表现良好,泛化能力较强。机器学习模型整体的预测表现要优于线性模型,表现出非线性模型的强大处理能力。通过模型特征重要性分析可知,DOM的芳香性指标、分子量指标和DOM来源组成变化的指标对机器学习模型的预测性能影响程度最高。（3）开发得到的机器学习模型在预测珠江中激发三重态和单线态氧的表观量子产率(Φ3DOM*和Φ1O2)中表现良好,但预测羟基自由基的表观量子产率(Φ·OH)则较差,表明机器学习模型适用于预测小数据集中的Φ3DOM*和Φ1O2,而对Φ·OH的适用性较差。本研究通过对实际水样进行表征分析得出了珠江中DOM的光化学特性在不同水期的变化规律和影响因素,为研究DOM光化学特性在时空尺度下的变化提供一定的依据。另外,基于数据开发的机器学习模型能够学习数据中的复杂关系并实现准确的预测,为DOM光化学特性与DOM组分特性之间的联系提出了新的见解。