目前我国河流湖泊等水环境的污染状况日趋严重，对生物和人体造成了不同程度的危害，其中重金属污染所占比重尤为突出。我国近年来重点对水环境检测装置和监测系统等方面进行了深入研究和技术攻克，以实现对废水污染的实时监测及预警，并做出相关决策。本文基于此对重金属浓度监测技术中的数据处理部分进行了重点研究。　　首先，介绍了重金属浓度监测技术的研究背景和意义，分析了数据融合技术在国内外的研究现状及存在的问题，并对数据处理中各种温度补偿方法和数据预测方法做了相关研究。　　其次，考虑到重金属检测采用的电化学传感器在环境温度干扰下会使其误差增大，对此本文尝试在多传感器数据融合方法的基础上，通过人工智能RBF神经网络无限逼近目标函数的优良特性，经过网络训练和网络性能测试进行温度补偿，以实现高精度的输出。仿真结果显示数据融合方法削弱了非目标参量对传感器输出结果的影响，比单个传感器获得的数据更符合工业要求。　　最后，针对传统的监测水质评价系统不能直接反映重金属变化规律的现象，本文尝试采用时间序列ARIMA方法建立重金属浓度预测模型，并引入灰色理论进行残差修正，以提高该模型的预测精度。实验采用河北某有色金属冶炼厂附近流域的监测数据进行预测，结果证明该预测模型提高了预测精度，有效地探索了水体中重金属浓度的变化规律及未来趋势。