近年来,随着国家工业化不断的推行,工业废水、生活污水正逐渐污染着人类生活所依赖的水体环境,水体污染已经成为了社会发展的制约因素之一。据水利部2017年统计,我国Ⅳ类及其以下的河流长度在总河长中的占比多达21.5%;在我国所监测的544个重要省界断面中,Ⅳ类及其以下的断面更是多达33%。面对如此严峻的污染形势,研发出一套行之有效的流域水质监测预警系统,实现流域水资源状态的监测和分析具有重要意义。本文以流域中的水环境为研究对象,通过查找实时在线监测和预警系统相关资料,对国内外的发展现状进行了分析,总结得出当前流域水环境监测预警系统需要解决数据接收、实时数据展示、超标报警、水质参数预测与水质评价等问题。进一步,针对流域水环境监测预警的需求,设计出一套了基于B/S架构的流域水环境监测预警系统模型。该系统主要分为三个部分,分别是水质数据接收预处理、流域水质监测展示和水质离线分析。各个模块以云服务器为基础平台,通过数据库实现数据交互,实现了对流域水质的监测、超标报警和预报预警。为了充分利用监测到的水质数据,本文针对水质数据的预测进行了相关研究。在水质时间序列预测方面,为了提升预测精度,增强模型对不同监测站点和不同参数的适应性,以便模型在存在大量监测站点的实际工程化应用中发挥更有效的作用,本文将循环神经网络和证据理论相结合,开发出了一种改进的水质预测模型RNNs-DS,并作为水质离线分析服务的一部分,为水质数据的自动化深入分析提供服务。为了提升水质监测网络的监测效率,充分利用已有监测数据,实现对虚拟监测站点区域水质的预测,本文将局部去噪准则和收缩正则项引入基于极限学习机的自编码器,开发出了一种基于极限学习机的收缩降噪自编码器模型。利用该模型提取监测网络中水质空间关系的抽象特征表达,并通过加权极限学习机实现对水质空间分布的预测,从模型层面提升了水质预测的精度。