在水处理过程中,混凝沉淀工艺可有效去除水中悬浮杂质与有害物质,混凝剂投加量的及时调整可以保障混凝沉淀工艺出水水质的稳定性。然而,受到原水水质指标（如:原水浊度、水温、p H值、溶解氧、耗氧量等）和进水流量变化的影响,特别是原水水质变化具有周期性、季节性、随机性以及时变性,给混凝剂投加控制带来了很大的困难。充分挖掘原水水质众多指标参数变化的大数据信息,为混凝剂投加控制提供原水水质变化的实时参考,可以有效保证混凝沉淀工艺的水处理效果,稳定混凝沉淀工艺过程的出水水质指标（主要是出水浊度）。机器学习可以对含有原水水质指标（如:原水浊度、水温、p H值、溶解氧、耗氧量等）、进水流量和混凝剂投加量的历史大数据信息进行学习并建模,由此根据实时的原水水质指标和进水流量来预测混凝剂投加量。将机器学习用于混凝剂投加控制之中,根据当前原水水质指标参数,实时调整混凝剂投加量,是一项值得我们深入研究的课题:（1）本文以原水水质指标（如:原水浊度、水温、p H值、溶解氧、耗氧量等）、进水流量和混凝剂投加量为研究对象,对历史运行大数据进行了预处理、数据分析与建模。首先,对历史运行大数据进行了数据清洗、数据错位处理和数据归一化;其次,以原水水质指标（如:原水浊度、水温、p H值、溶解氧、耗氧量）和进水流量为输入,以混凝剂投加量为输出,采用五种机器学习算法进行数据分析与建模;最后,将数据模型计算得到的混凝剂投加量应用到混凝剂投加控制系统中,根据沉淀池出水浊度的实际效果,从中选取五种机器学习算法中精度最佳的随机森林算法。（2）本文提出了一种基于随机森林的混凝剂投加前馈控制长短期混合模型。该混合模型包含了长期部分和短期部分,其中长期部分考虑了原水水质变化的周期性,对近5年的历史运行数据进行学习和数据建模;短期部分考虑了原水水质变化的随机性,对近15天的历史运行数据进行学习和数据建模;对长期部分和短期部分进行自适应权重更新,更新原则为根据沉淀池出水浊度与设定值的偏差,评估和调整长期部分和短期部分的权重。