目前,社会对水资源的需求不断加大,污水排放量与污染物种类日益增多,水体环境受到严重污染,对居民生命安全以及工业生产效率造成极大的负面影响,作为环境治理的一部分,污水处理的重要性显而易见。此外,推动社会的信息化、智能化发展是众多建设者和研究者们所关心的重点问题,也是促进工业4.0发展的必要条件。随着智慧城市的可持续发展以及信息技术的不断进步,众多智慧化产品层出不穷,作为智慧水务至关重要的一环,污水处理智能管控被极力推崇为有效管控污水处理的好方法。以水厂的安全、稳定、节能、降耗、智能为目标,以实际场景为研究对象,本文将包括机器学习（ML）、物联网（Io T）传感器、模型预测控制（MPC）在内的新一代信息技术和控制技术应用于其中,充分发挥数据自身所特有的优点,致力于实现数据驱动污水处理的智能管控。本文的主要工作如下:（1）在污水处理中,化学需氧量（COD）是反映其处理效果以及水质好坏的重要参考指标。目前,小型污水处理厂智能化研究未得到足够重视,并且大多数水质预测模型的特征要求较高,本研究以青岛市某小型精细化工厂为研究地点,将众多传感器设备有效结合,基于Io T传感器技术开发了污水管理平台,以实现处理过程的信息化管理并获取不同处理阶段的多维数据。由于出水COD的变化趋势与运行状态高度相关,在不参考任何水质数据的前提下,本研究将不同类型的温度和进水量数据作为模型输入,并采用长短期记忆（LSTM）神经网络、支持向量回归（SVR）及门控循环单元（GRU）神经网络三种ML模型智能预测出水COD的未来变化趋势。实验结果表明,所搭建的COD趋势预测模型是有效的,GRU模型的性能优于LSTM和SVR模型,可更好地作为其算法支持。该研究可有效降低水质预测模型的特征要求,便于水厂的模型搭建,为出水COD趋势预测提供一种新的研究思路。（2）为有效解决目前污水处理控制领域所存在的一系列关键问题,比如智能控制所考虑因素较为简单,所针对场景多为已有的仿真环境,与实际场景、专家知识以及水质预测的结合较少,本研究将LSTM-GRU组合模型与自注意力机制（SelfAttention）有效结合,并将其应用于基于大量已有专家知识的行为克隆模型中,提出一种新的污水处理预测控制模型,本文称之为基于LSTM-GRU和Self-Attention的多输出行为克隆模型（MOBC/LG-SA）。考虑到大型污水处理厂的控制需求更迫切,本研究以日照市某大型污水处理厂为研究地点,以城市生活污水为研究对象展开实验。实验结果表明,在实际污水处理场景中,与传统单一模型相比,MOBC/LGSA模型表现更佳,可更好地实现对该厂的水质预测以及操作控制,进而实现对污水处理的预测控制,保证其出水水质符合排放要求。该模型可有效降低安全风险,减少成本损耗,改善运营水平,提高处理效率,保障污水处理运行稳定。