现代社会城市建设日益推进,水污染已经成为迫切需要解决的城市建设设计问题,海绵城市通过合理地管控各个城市的雨洪量,使城市可以如海绵一样防蓄治兼顾,其中径流污染控制是海绵型城市工程建设的重要目标。通过对海绵城市低影响开发（LID）设施的出水水质进行预测,能对LID设施出水水质不达标情况提出预警,从而降低城市径流污染,并为极端天气条件下满足出水水质达标的LID建设方案提供决策支持。目前针对LID设施使用人工智能方法进行水质预测的研究尚为空白。本文选择用水质预测中常用人工智能算法BP神经网络和SVM,以及近几年研究较多的LSTM神经网络对LID设施进行出水水质预测的对比研究,主要研究工作如下:（1）学习了解时间序列、回归分析、灰色模型、数理统计、人工神经网络和支持向量机回归这六种常用水质预测算法的特点及应用概况;（2）重点分析BP神经网络、SVM和LSTM神经网络的原理及特点。水质数据具有影响因素多、关系复杂等特点。BP神经网络非线性动态性和映射输入输出端数据的能力都很强,可以通过将神经元模拟抽象成为一种网络的方式建立相关的水质预测模型。SVM是一种非常有效的处理非线性问题的方法,它建立的基础是统计学相关理论,无需拥有先验知识,更适用于一些比较小的样本计算过程。LSTM神经网络拥有独特的神经元结构,比CNN更适合与时间序列的学习。而且LSTM门控系统拥有自循环调整权重的能力,在一定程度上解决了RNN容易长期依赖以及梯度消失的问题。（3）收集某特大型城市海绵城市试点城区2018年间的多次降雨数据,其中包括最大降雨强度、降雨量、径流量、径流系数等,对其进行主成分分析后分别用BP神经网络、SVM和LSTM神经网络建立预测模型,并对其中LID设施的出水水质进行预测实验。实验结果表明,BP神经网络算法的均方根误差（RMSE）为29.221,效率系数（CE）为0.835;SVM算法的均方根误差（RMSE）为34.956,效率系数（CE）为0.764,LSTM神经网络算法的均方根误差（RMSE）为15.417,效率系数（CE）为0.954;因此LSTM神经网络在LID设施出水水质预测准确度优于支持向量机算法和BP神经网络算法。