随着经济的快速发展,江河湖泊水质污染事件和饮用水安全问题频繁发生。目前很多在线水质监测系统根据阈值报警的现状,无法满足对水质污染事件进行智能检测的需要。研究基于在线水质参数进行水质异常检测的方法,可对水质污染事故及时预警,有效减少污染造成的损失,保障水环境安全,具有重要理论意义和应用价值。本文重点围绕城市供水水质预测、异常波动的检测、异常信息类别判断等方法开展研究,主要工作和创新点如下：(1)为掌握城市供水水质状况和变化趋势,及时检测出水质异常并提前预警,研究了水质预测方法。经方案比较,选取自优化径向基函数(Radical Basis Function,RBF)神经网络模型作为水质预测方法；为解决RBF神经网络建立预测模型时输入阶次和扩展速度SPREAD难确定的问题,研究提出了差分进化算法自动寻优预测方法,并进行了预测实验分析。预测结果表明,该方法可以较好地克服水质正常周期波动的影响,识别出非平稳波动信号,为后续进一步进行水质异常检测提供了初筛可疑信号。同时,实验验证了所研究方法具有较高的预测精度,减少了人工设置参数的繁琐性,水质预测智能性有所提升。(2)水质异常分析过程中,如果水质数据中含有脉冲噪声,往往会导致水质异常检测具有较大的误报率。为了解决这一问题,研究了小波变换模极大值去噪方法,通过对预测值和实测值相比较得到的残差序列进行小波去噪,之后再根据去噪后的残差值与异常阈值的偏离程度来判定水质是否存在异常。实验证明此方法能在保持检测率的同时减小误报率。(3)针对基线变化类型的异常信息往往会引起频繁误报的问题,研究提出了区分水质基线变化和水质异常事件的判别方法。采用多项式拟合的方法提取异常点前时间序列表示模式,然后采用FCM聚类方法将其聚为不同类别,并保存到水质异常模式知识库中,接着进行在线模式匹配,判断异常信息是属于基线变化还是异常事件。采用流量、余氯、pH和电导率等易受工艺操作影响的水质参数时间序列数据进行了异常信息判别实验分析,验证了所研究方法可较好地区分基线变化和水质事件异常,从而进一步提高了异常检测算法性能。本文对城市供水水质异常检测方法的研究将有助于实现水质异常实时监测,为建立高度自动化、信息化的水质预警系统奠定基础。