湖库蓝藻水华是指富营养化湖库中蓝藻及浮游生物的异常快速繁殖。随着城市及工业废水对湖库的过度排放,水体中氮、磷等营养物质为蓝藻水华的暴发提供了环境基础。湖库蓝藻水华的形成与暴发受众多因素影响,具有时变性、非线性、混沌性等特点。目前对湖库蓝藻水华的分析主要集中在对其表征因素——叶绿素a浓度的研究。因此对叶绿素a浓度的建模与预测可以为湖库蓝藻水华的预警及治理提供依据。回声状态网是一种新型的递归神经网络,可以存储并处理丰富的动态信息,具有快速建模的能力,因而广泛应用于混沌时间序列预测等问题中。由于湖库蓝藻水华具有时序特征与混沌属性,因此其演化很适合用回声状态网进行研究。针对湖库蓝藻水华的机理建模与数据驱动建模问题,本文的主要研究内容如下:目前已有的机理模型虽然可以直观描述湖库蓝藻水华的动力学特征,但是采用固定参数的方式限制了预测模型的适应能力。因此,本文结合回声状态网采用自适应动态规划方法来优化机理模型参数,即通过对固定参数的动态调整来较好地捕获叶绿素a浓度的非线性变化趋势。自适应动态规划中包含由回声状态网构成的执行网与评价网,其中执行网用来输出机理模型参数的增量,评价网用来近似性能指标函数。文中提出执行网的输入为采用相关因素提取的时序特征,这使得机理模型的时变参数具有更好的动态特性。实验采用北运河及太湖的实际水质数据,验证了所提模型的有效性。所构建的含有时变参数的机理模型不仅保持了原有机理模型的可解释能力,同时通过动态改善模型的参数进一步提高了预测精度。为了有效提取输入数据的深层特征,本文提出了一种自组织深度置信模块化回声状态网来预测叶绿素a浓度。该方法由深度置信网与基于子储备池的模块化回声状态网两个部分组成,即首先通过深度置信网提取深层特征,然后通过模块化回声状态网来学习该特征并预测叶绿素a浓度。为了进一步解决网络结构的设计问题,本文基于互信息方法分别定义了隐含层神经元以及子储备池的重要性,并通过设计自组织机制来实现隐含层神经元及子储备池个数的动态调整,还通过加入鲁棒损失函数以提高其鲁棒性。进行非线性系统建模、太阳黑子预测以及公开水质数据的实验结果表明,该方法具有良好的预测性能及鲁棒性。针对回声状态网的拓扑结构设计问题,同时为解决单层储备池结构提取特征能力的不足,本文设计了一种深度层次化回声状态网模型来对蓝藻水华进行预测。首先通过传递熵来筛选与叶绿素a因果关系较强的候选变量,剔除冗余变量对预测模型的干扰;然后借鉴了人脑结构的层次化特点,建立了一种层次化的储备池结构,实现了各个子储备池代表节点之间的双向连接,提高了储备池的信息处理能力,并且能够通过深度结构来提取深层特征;最后采用混合正则化方法实现了输出权值的修剪与压缩,提高了预测模型的泛化能力。仿真结果表明,深度层次化回声状态网在标准数据集与实际湖库水质数据集中均具有良好的预测精度。基于该方法构建的模型含有更为丰富的动力学特征,不仅可以实现模型结构的自组织,而且还解决了网络训练的不适定问题。