近年来水质污染事件时有发生,对人民生命财产安全造成了直接威胁。采用紫外-可见光光谱进行水质在线分析具有免试剂、低成本、实时性好等优点,已成为城市供水系统水质原位预警的新兴方向。针对现有水质异常事件光谱检测方法存在检出下限较高、报警不及时等问题,本文研究并提出了一种基于监督学习的紫外-可见光光谱水质异常事件检测方法。论文的主要工作和创新点如下:(1)针对现有非监督异常检测方法中污染物检出限较高的问题,论文使用特征污染物及正常水样的全光谱信息进行监督学习,采用偏最小二乘判别分析(PLS-DA)建模,引入序贯贝叶斯法确定水质异常事件,利用正交投影基线校正方法去除不同批次的光谱数据差异。实验结果表明,结合先验知识建模,能进一步降低特征污染物的检出下限。(2)针对光谱设备在长时间运行下导致的数据基线波动问题,开展了监督学习异常事件检测方法的适应性研究,论文提出一种动态正交投影基线校正方法,利用滑动窗中的数据实时调整模型并不断更新基线。实验结果表明,该方法可以解决系统长时间运行下由于基线突变或趋势变化导致的误报问题。(3)针对水质污染事件中特征污染物易受其他物质干扰的问题,开展了监督学习异常事件检测方法的特异性研究,论文提出一种定量评估方法,利用变量投影重要性(VIP)指标评估特征污染物模型及其干扰物或转化物之间的相似性。实验结果表明,模型相似性评估方法能定量预估两种污染物模型的相似度,当模型相似度较低时,可以有针对性地检出特征污染物事件。本文提出的基于监督学习的水质异常事件检测方法,可以较好地利用特征污染物的先验知识,结合对方法适应性和特异性方面的优化,实现更为准确的水质异常事件检测。基于论文成果,开发并完善了基于紫外-可见光光谱的水质预警分析系统。