地下水水质预测是地下水质量评价的一项重要内容，其目的是准确反映地下水环境的质量和污染状况。目前在进行地下水水质预测时，存在的主要问题是没有一个被大家公认通用的具有可比性的水质预测与评价的数学模型，各部门在进行评价时，选用数学模型的任意性很大。这些方法虽然在实际应用中占据主导地位，但人们也发现它们还存在着许多不足之处。　　本文对目前地下水环境质量预测的研究方法进行了系统总结，详细地阐述了统计学习理论研究的基本问题及主要内容。针对目前评价与预测方法存在的一些缺陷引出了支持向量机算法，简要回顾了支持向量机算法的发展历程和研究现状并总结了该算法的优点所在。支持向量机是在统计学习理论基础上开发出来的一种新的、非常有效的机器学习方法。它较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题，具有很强的推广能力。　　本文在国内首次提出将支持向量机回归理论应用到地下矿泉水质参数的预测中。在综合研究SVM算法的基础上，针对地下矿泉水中偏硅酸含量和亚硝酸盐含量预测的问题，将水质参数平均浓度值的监测看成一个时间序列预测问题，提出了一种新的支持向量机的优化算法，并利用支持向量回归机对实验数据进行回归估计分析，并与BP网络方法进行了比较。从预测结果来看，利用支持向量机建立的预测模型，能充分利用训练样本的分布特性，预测结果与实际情况更为相符。实验结果表明，基于支持向量机方法比BP神经网络更加准确。最后，针对地下矿泉水水质预测反映的问题，我们提出了保护该处地下矿泉水的几项措施，以促进地下矿泉水质持续好转，实现可持续开发利用。　　本论文的创新之处:在国内首次提出将支持向量机回归理论应用到地下矿泉水质参数的预测中，丰富和拓展了支持向量机理论及其应用范围；预测评价了一段时期内该处地下矿泉水主要指标变化情况，为今后一段时期的地下矿泉水质监督管理、开发开采提供了重要参考依据；提出了保护性开发地下矿泉水的几个建议，为同类型矿泉水可持续开发提供参考。