供水管网漏损情况仍然比较严峻,造成的淡水资源浪费和水质二次污染现象较为普遍,给相关部门带来经济损失的同时影响居民正常用水需求。随着智慧城市的发展,智慧水务依靠计算机技术实现供水管道监测智能化,利用供水管道数据采集和监控（Supervisory Control and Data Acquisition,SCADA）系统收集管道各监测点实时监测数据,掌握地下供水管网的运行状态,有效地改善了当前管网系统的漏失状况。本研究以北方某城镇建立的智慧水务平台为依托,将该城镇J区作为研究目标,构建管网水力模型,并依据该区管网的历史监测数据和模拟漏失数据分别建立漏失检测模型和漏失定位模型,实现对管网泄漏的检测和定位,具体工作如下:（1）将预处理后的J区管网基础拓扑数据导入建模软件EPANET中,简化后确定管道粗糙系数、节点需水量、水量变化系数以及计算参数等,得到初始的管网水力计算模型。然后使用遗传算法自动校核粗糙系数和节点需水量,校核结果满足80%的压力检测点模拟数据和实际监测数据偏差不超过2 m和50%偏差不超过1 m的精度要求,成功构建J区管网水力模型。最后通过设置不同扩散器系数值,模拟得到J区漏失数据库。（2）通过多目标粒子群算法优化DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法参数Eps和Min Pts,建立基于DBSCAN算法的压力异常识别模型,利用模拟漏失数据确定各时刻漏失检测效率,并将历史记录事故发生后的压力数据输入模型,检测结果表明压力异常识别模型可有效地识别该漏失事件。（3）利用J区历史流量数据建立基于稳健最小二乘法的流量预测检测模型,对时间序列正常流量预测的同时,检测实时流量监测值是否异常。通过在正常流量数据上增加额外流量模拟管段漏失,当2:00、8:00、15:00发生不同大小的漏失事件时,仅在15:00发生10%漏失后,漏失事件未被检出,其余漏失事件均被检出,漏失检测效果较好。（4）利用多种群遗传算法（Multi-population Genetic Algorithm,MPGA）优化BP神经网络权值和阈值,利用优化后的BP神经网络建立监测点对应节点压力值和漏失节点横纵坐标的数学模型,测试样本输入后模型对漏失节点坐标的预测误差均在150 m以内,表明在漏失后神经网络模型预测漏失位置较为准确。