随着社会经济的高速发展，水资源愈加凸显其战略资源地位，但近年来水源地水质环境不容乐观，水环境污染问题日益严重。因此，加强水源地水质的综合管理，精确预测水质变化趋势与科学评价水环境等级，能够为社会经济的可持续发展提供重要的保障。本文以水源地水质指标数据为研究对象，根据上海市主要水源地金泽水库的水质数据特性，从对水质数据短期内精确预测与快速预测两方面入手，着力研究与改善短期水质预测模型的精确性、快速性以及鲁棒性；同时，针对水环境系统的复杂性与水质污染因子的多样性，研究一种科学合理且能查找出主要污染指标的水质评价模型。
　　（1）对研究的水源地中两种主要水质指标（高锰酸盐指数CODMn、氨氮NH3-N）的数据特性进行分析，得出原始水质数据具有较强的非线性与随机性，存在一系列异常值；研究一种局部离群因子算法(LOF)结合滑动窗口技术的时序数据异常值检测算法，并利用线性插值法对检测出的异常值修正，实现了对CODMn和NH3-N两种水质数据的预处理。
　　（2）针对水质数据的非线性、随机性以及时序相关性，传统水质预测模型精度不高，研究深度学习中循环神经网络(RNN)在水质预测中的应用，设计并搭建了基于RNN的水质预测模型；同时为提高模型预测精度与鲁棒性，研究门控型循环神经网络(GRU)与Dropout正则化机制的结合，设计并搭建出基GRU网络的水质预测模型；并通过Python语言实现了对CODMn及NH3-N两种水质三日小时级预测实现，同时对比传统ARIMA以及SVR模型的预测结果，验证了本文研究的模型能够显著提升预测的精确度。
　　（3）考虑到水质指标数据集规模大，为解决GRU模型训练时间过长，研究卷积神经网络算法(CNN)在水质时序数据预测中的应用，通过对卷积核及网络结构进行改造，设计并搭建出基于CNN的水质预测模型；同时，为兼顾预测模型的精确性与快速性，研究CNN模型与GRU模型的结合，设计混合模型的网络框架，搭建出基于CNN-GRU的混合水质预测模型，实现了对CODMn及NH3-N水质的未来三天的预测，同时对比ARIMA-SVR等混合水质模型，验证了其能够同时提高了模型的精确性与快速性。
　　（4）针对水环境的复杂性以及水质污染因子的多样性，传统水质评价模型计算复杂且不能突出主要污染指标，本文研究贝叶斯理论在水质评价中的具体定义，搭建基于贝叶斯的水质评价模型。其次，通过层次分析法与熵权法对水质指标进行组合赋权，搭建出基于组合权值的贝叶斯水质评价模型，并结合金泽水库2017年水质数据实现水环境的等级决策。同时，对比单因子指数等水质评价模型，验证了本文研究的水质评价模型的科学性。