近年来,随着社会经济的高速发展,水环境污染日趋严重。为了保证我国水资源的可持续发展,加强水资源管理、保护水资源是我国水环境工作者亟需解决的重大问题之一。水质预测是水资源管理和水污染控制的主要手段之一,是进行水质治理和水资源开发利用的基础性工作,是顺利实现水环境规划管理、水污染综合防治等任务不可缺少的基础工作。支持向量机是近年来兴起的基于统计学习理论的一种新型算法,是研究复杂非线性和人工智能等学科的前沿方法,由于其突出的分类和回归性能,逐渐在很多领域得到了广泛的应用与研究。本文尝试将支持向量机方法引入到河涌水质预测分析中,对最小二乘支持向量机方法应用到河涌水质预测中进行了一些探索性研究,以期能够找到比传统预测方法更精确的水质预测模型。本文首先介绍了一些成熟且常用的河涌水质模型,然后分析了几种常用的河涌水质预测方法,其中重点研究了BP神经网络算法及其建模步骤,以及各常用方法的特点。支持向量机的理论基础和原理的学习是本文的重点,包括机器学习理论、统计学习理论以及结构风险最小化原理等内容。本文更详细地研究了标准支持向量机的改进形式——最小二乘支持向量机(LS-SVM)的算法,给出了LS-SVM建模中参数选择、核函数的选择等的方法。在以上理论学习的基础上,重点是利用最小二乘支持向量机方法对未来河涌水质进行预测,并与BP神经网络算法进行了对比分析。实验证明了LS-SVM用于河涌水质预测的优越性,证明了将支持向量机方法引入河涌水质预测分析是有效可行的,同时也证明了支持向量机方法预测能力出色的理论优点。