随着经济的发展和工业化进程的加快,我国面临着越来越突出的水安全问题,在水资源的污染防治中,对流域高效准确的水质预测,可清晰地反应流域的水质变化趋势,据此可及时调整水资源保护的各项措施,将水资源污染由事后治理转变为事前预防,有效改善水污染防治现状。近年来,随着越来越多的水质预测体系的建立,水质预测技术也日益完善,但面对复杂的水质变化特征,现有水质预测模型很难实现稳定准确的预测,迫切需要将不同模型进行耦合,结合各模型的优点,提升对复杂的水质问题的预测效果。本文总结了国内外流域水环境质量预测研究理论,针对研究断面水质的变化特征,选取典型的水质指标,建立了多种数据驱动模型之间组合、数据驱动模型与机理模型耦合的水质预测思路,开展流域水环境质量预测研究,主要研究工作及结果如下:（1）为提高数据驱动模型精度、稳定性,增强模型的普适性,提出一种基于神经网络动态优化组合权重的水质预测方法。针对研究断面水质变化的季节性和趋势性,建立了考虑季节性的SARIMA模型和未考虑季节性的ARIMA模型,根据自相关图、偏自相关图、赤池信息准则（AIC）、季节因子等确定得到最优参数,验证结果表明SARIMA模型明显好于ARIMA模型,SARIMA模型可以很好的预测水质的变化趋势。针对水质指标之间的多元相关性,建立LSTM模型,利用试算法得到隐含层数、网络迭代次数最优的模型参数,验证结果表明:溶解氧、高锰酸盐指数、氨氮和总磷预测平均相对误差率为2.97%、2.29%、9.94%和1.81%,预测效果较好。将LSTM模型作为一种动态优化组合器,利用研究断面LSTM模型和SARIMA模型预测值进行训练构建得到组合模型LSTM-LSTM-SARIMA,对比三种模型的验证结果发现:组合模型的平均相对误差率在10%以下,预测效果明显优于单一模型。（2）针对水质变化的突发性特征,提出了一种数据驱动模型与机理模型耦合的水质预警预测方法。利用MIKE11建立机理模型,进行模型的参数率定得到河段底床糙率为0.04,高锰酸盐指数、氨氮、总磷的综合衰减系数取值分别为0.08 1/d、0.085 1/d、0.0417 1/d。进行模型验证结果显示:高锰酸盐指数、氨氮、总磷浓度预测值与实测值的误差较小,能够反映污染物的分布规律和变化趋势,可应用于突发水污染事故应急预警模拟。为进一步提高突发性特征水质的预测,将数据驱动模型与机理模型进行耦合。数据驱动模型实现水文水质数据的预测,预测的水文数据作为机理模型边界条件,运用机理模型对突发性事故进行情景设置,实现对突发性污染事件后下游污染物浓度增量预测,得到研究断面高锰酸盐指数、氨氮污染物浓度历时变化曲线。基于神经网络动态优化组合权重的组合模型LSTM-LSTM-SARIMA对季节性、趋势性、多元相关性特征的水质有很好的预测结果,数据驱动模型与机理模型耦合模型可对突发性污染事件后进行水质预测。针对不同水质特征,提供了相应稳定准确的预测方法,为今后水质预测提供了借鉴意义。