水环境恶化是当前人类面临的主要生存挑战之一,治理和修复因经济社会发展而造成污染的水域环境已迫在眉睫。随着政策的推动以及行业关注度的增加,国内水资源监测体系建设的速度也在不断加快,对伴随而来的海量监测数据展开分析和挖掘,探寻其中规律和机理,进而对未来水域各项指标变化趋势进行预测,对水资源管理中的行动规划和决策制定具有指导意义。随着水质预测理论研究的深入,不断有新的预测方法被提出,但由于水域环境的复杂性以及监测信息的不完整,现有的水质预测方法难以同时兼顾实验测试的高精度和工程应用的可操作性,这给水质预测的实用化推进带来阻碍。本文以实际水利监测项目为依托,针对水资源信息化系统中水质预测的业务需求,基于时间序列分析和机器学习理论,设计了一种适用于常见水质指标的预测方法。首先,对预测方法进行理论分析,以实际水域的水质变化特性分析为出发点,针对水质数据的线性和非线性预测需求,初步选取差分自回归移动平均模型和支持向量机回归模型作为预测模型,并从理论角度分析模型的可行性。其次,构建组合模型的预测方法,利用支持向量机回归模型对差分自回归移动平均模型预测产生的非线性残差进行估计,过程中利用粒子群算法完成对支持向量机的参数寻优,对于差分自回归移动平均模型的p、d、q阶数则分别由ADF检验和BIC准则判定。为改善长期预测精度下降的问题,使用基于滑动时间窗的建模方法对组合模型进行优化。再次,实验验证模型性能,利用HP滤波对实验数据进行分解,分析不同水质指标数据间的特性差异,选取具有差异的水质数据分别对组合模型和单一模型进行对比实验,并在相同数据下对使用滑动时间窗方法的效果进行验证。实验表明,组合模型对巢湖流域的p H和溶解氧的预测均方根误差分别达到了0.20和0.61,平均绝对百分比误差达到了2.0%和6.6%,显著低于差分自回归移动平均模型的0.22和0.73以及2.3%和8.5%,对太湖流域的预测也得到类似结果,组合模型精度更高,同时溶解氧预测整体误差都要高于p H,说明季节性波动显著的指标预测难度更高。滑动时间窗优化下的组合模型在长期预测下的误差低于未优化状态模型。最后,根据业务需求搭建水资源信息化系统,将预测算法嵌入到系统的预警预报模块中,对系统进行测试,系统运行稳定、可靠,各模块功能均满足预定的设计要求。本文所设计的算法模型,针对模型进行的数学方法优化和系统层面的业务优化方案,对水质预测具有很好的实现效果,可在其它水域监测项目进行推广应用,为区域水环境管理提供业务支持。