近些年来,我国发生了大量水资源污染事件,威胁人民群众的饮水安全,破坏水资源生态系统,造成了不可估量的损失。如何有效的建立水质监测系统,及时提供水资源污染预警,防范于未然,成为水环境保护领域亟待解决的挑战。水质数据异常是指引起水资源污染水质环境监测数据的异常,及时准确发现水资源环境中的水质的异常状态,探索水质赋存环境和状态之间存在的关系和规律,为水资源预防性保护提供科学依据,是当前水资源预警所面临的挑战。在大数据环境下,人们比以往更加关注能够快速从全体数据中获得有价值信息的方法。基于水质实时监控测得的数据集没有标签的情况下,本文通过聚类算法检测水质信息中的异常信息、随机森林算法得到水质特征在水质异常检测的重要性比重,可以从无标签的水质数据集中实时地去发现水质中的异常状态以帮助管理部门及时决策。本文的主要研究内容包括以下三个部分:1、选取聚类算法中的k-means聚类对于水质数据进行聚类研究,通过聚类可以检测到水质异常数据,将数据通过PCA主成分分析进行降维到三维,然后进行可视化聚类效果来评估聚类效果,同时还可以通过轮廓系数来进行数据的聚类效果的量化分析。2、通过上一部分的聚类结果作为真值进行研究,首先对聚类结果进行随机森林来得到维度重要性,可以得到对应异常的水质数据,哪些特征对于异常的水质数据的检测最为重要,也就是说哪些元素对于水质异常的影响最大,这个结论对于水质异常的防治以及分类具有重大意义。3、通过上述的研究得到有标签的训练集,建立一个适合的有监督的分类模型,后面再有类似的数据,就可以进行直接进行模型的分类,得到该数据到底是否为水质异常数据。对比各种基本分类算法和集成学习分类算法的准确率,得出集成学习分类算法优于基本分类算法,其中效果最好的是GBDT算法。