提高水质监测能力,及时了解水环境变化,对湖泊水环境保护与污染防治有重要意义。随着人工智能和遥感技术的发展,利用遥感卫星数据和地面实测数据对内陆湖泊水质进行反演,弥补了传统水质监测区域有限和时效性差等局限性。受益于深度学习的快速进步,利用长时序实测数据更准确地进行水质预测,有助于预估可能发生的污染事件,及时发现区域内的水质问题。本文为管理和维护内陆湖泊水质状况提供了重要依据,提高了湖泊水环境污染监测预警精度,加强了水环境治理水平。本文利用葵花8号（Himawari-8,H8）遥感影像和太湖“胥湖心”断面溶解氧（Dissolved Oxygen,DO）实测数据,实现了对“胥湖心”断面DO浓度的精准反演和预测,具体内容包括对所用数据进行预处理,构建基于时序分解算法和多模态深度网络的溶解氧反演模型（Dissolved Oxygen Inversion Model Based on Time Series Decomposition Algorithm and Multimodal Deep Neural Network,DOI-TSD-MDNN）,以及构建基于完全自适应噪声集合经验模态分解和时序卷积网络的溶解氧预测模型（Dissolved Oxygen Prediction Model Based on Complete Ensemble Empirical Mode Decomposition with Adaptive Noise and Temporal Convolutional Network,DOP-CEEMDAN-TCN）。在数据预处理方面,本文对DO实测数据进行异常值剔除后,采用同步时间后的气象数据和K近邻（K-Nearest Neighbor,KNN）算法对DO数据中的缺失值进行填补。此外,本文对H8遥感影像进行了预处理,提取了与水体DO浓度显著相关的光谱指数信息,各项遥感特征与处理后的DO实测数据形成了反演数据集。预处理结果表明,“胥湖心”断面DO浓度呈现春降秋升的趋势,在季节水平上分布不均,经KNN模型填补后的DO数据更趋于平稳,为后续反演和预测模型构建提供了可靠的数据基础。为实现DO浓度反演,本文提出了一种DOI-TSD-MDNN模型。使用基于局部加权回归周期趋势分解算法（Seasonal-Trend Decomposition Procedure Based on Locally Weighted Regression,STL）将DO实测数据分解为周期分量、趋势分量和残差分量,根据中心波长和光谱指数将H8遥感数据划分为三个模态。实验结果表明,经时序分解后的反演模型性能优于分解处理前,DOI-TSD-MDNN调整后的决定系数（Adjusted Coefficient of Determination,adj＿R~2）达到0.89,均方根误差（Root Mean Squared Error,RMSE）仅为0.46 mg/L,优于其他对比模型,通过对比实验的二维直方图显示,DOI-TSD-MDNN与实测数据拟合程度较高,优于其他对比模型,有助于提高DO反演精度。为实现DO浓度预测,本文提出了一种DOP-CEEMDAN-TCN模型。基于小时级DO实测数据,首先采用完全自适应噪声集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）算法对DO数据进行分解,得到了14个本征模态函数（Intrinsic Mode Function,IMF）和1个残差分量。然后使用K-means聚类算法对分解后的分量进行重构,将动态时间规整（Dynamic Time Warping,DTW）算法所计算的距离作为聚类的距离度量方式。最后将重构后的不同分量作为时序卷积网络（Temporal Convolutional Network,TCN）的输入,分别进行预测,重构所有预测结果以得到最终预测值。结果表明,CEEMDAN算法表现略优于其他同类型分解算法,与其他时间序列预测模型相比,当聚类簇数为8时,本文提出的DOP-CEEMDAN-TCN表现最优,adj＿R~2达到0.974,RMSE仅为0.203 mg/L,可有效提高DO预测准确率。