近年来,为切实治理水环境安全问题和促进水环境质量的不断改善,全国各流域生态环境监测站点扎实开展水质加密监测,从而保障环保部门及时掌握水质动态情况以及进行水质预警决策分析,因此如何准确地对流域水质数据进行监测和预警已成为当下研究热点之一。然而由于大多数水质传感器通常会受日常维护、录入数据库错误和传感器测量误差等因素影响,因此采集的水质数据会出现两种类型的数据错误:噪声数据和缺失数据,而现有的数据清洗方法仅仅适用于简单且少量的错误数据清洗。因此本文以时间序列特性为切入点,分别从基于流域水质数据复杂多变的分布特点自适应去除噪声和基于迁移学习的大规模缺失水质数据填补两个方面侧重研究了水质数据清洗框架,并以钱塘江流域水质异常预警为决策分析案例开展了研究。主要工作和创新如下:首先,由于水质传感器易受到测量误差等环境因素影响,从而导致采集的数据中通常含有各种类型噪声,传统去除噪声算法的抗干扰性和鲁棒性表现较差。因此本文提出了一种基于经验小波变换和多尺度模糊熵的自适应去除噪声方法,其中经验小波变换可以自适应分解频谱数据,而多尺度模糊熵值可构造出自适应的阈值函数。实验对比结果表明该算法去除噪声效果均为最优。其次,针对于采集的水质数据通常出现数据缺失的问题,现有的填补方法仅适用于小规模且随机的数据缺失填补。因此本文以大规模连续的缺失数据为研究对象,提出了一种迁移学习和长短期记忆模型相结合的缺失数据填补方法。实验对比结果表明该算法的缺失数据填补准确率得到了较大的提高。最后,为了提高水质异常预警结果的准确性,本文提出了一种基于自回归移动平均和孤立森林动态的水质异常预警方法。该方法以自回归移动平均算法在线动态预测为基础,同时利用孤立森林算法检测超出阈值的异常预警数据。实验结果表明此算法的水质异常预警效果显著。此外,该算法作为实际项目中水质预警模块支撑获得了工程化的实现。