世界范围内的水和污水处理、城市水环境管理领域均面临着水质数据实时获取困难、工艺过程自动化水平落后于其他行业的问题。目前污水处理厂的工艺运行基本多以污水处理厂运行人员的经验为主,与当今社会信息技术的快速发展相脱节。污水处理厂的关键水质指标如化学需氧量（COD）、总磷（TP）、磷酸盐,挥发性脂肪酸（VFA）的浓度需要人工检测或在线获取较困难,并且自动化仪表对以上水质指标的获取存在较大的时间滞后,无法满足自动化的要求。污水水质数据实时获取也成为了制约污水处理厂自动化和智能化转型的瓶颈问题。实现污水处理流程数字化在线监控需要可靠的传感器等在线监测设备,然而由于运行环境恶劣、检查维护不及时等原因造成污水处理厂仪表故障频繁、数据可靠性差,制约了污水处理厂工艺过程的自动化和智能化发展。本研究通过构建COD、TP、磷酸盐以及VFA水质指标虚拟监测模型,解决污水处理厂难测量关键水质指标实时在线获取问题,提出污水处理厂全流程模型,实现污水处理过程的实时监测与优化控制,可以在保障工艺运行稳定性的前提下显著降低污水处理的能耗、药耗。分别在降雨期及非降雨期对污水处理厂进、出水进行连续取样并对COD、SCOD、氨氮等水质指标进行水质水量数据分析,通过方差分析及相关性分析方法,分析得出非降雨期以及降雨期进水COD-SS都呈现出最高的相关性（corr=0.81,corr=0.94）。由于降雨对路面沉积物和管道淤积物的冲刷效应,在小雨到中到大雨的降雨条件下,与非降雨期相比污水处理厂进水SS、COD浓度降低约10%,氨氮、总磷等指标浓度受稀释下降40%-50%。基于主成分回归,偏最小二乘回归以及BP神经网络方法构建进水、缺氧池出水、二沉池出水虚拟监测模型。进水COD虚拟监测模型中偏最小二乘回归监测模型回归R2为0.8315,在缺氧池出水阶段磷酸盐及总磷的三种方法虚拟监测模型中偏最小二乘回归效果最佳,R2分别为0.5757、0.4102。在二沉池出水虚拟监测模型中,磷酸盐、总磷的BP神经网络方法R2为0.3326及0.2445高于偏最小二乘回归模型,原因是生化处理阶段指标间非线性关系多于线性关系,单纯的线性回归模型不能很好的预测水质指标。构建难在线监测水质变量挥发性脂肪酸虚拟监测模型,进行污水生物处理静态过程实验,基于主成分回归,偏最小二乘回归及BP神经网络进行模型预测,并对几种非线性模型进行回归。结果表明,偏最小二乘回归R2为0.1512,效果最佳,由于线性模型不能达到预期回归结果,建立了几种非线性模型,当非线性模型决策树只用氨氮、硝酸盐、磷酸盐作为模型输入时,获得最佳回归效果,R2为0.47,说明在挥发性脂肪酸虚拟监测模型中,各项指标间非线性关系较强。运用STOAT软件对污水处理厂二级处理工艺流程进行模拟,在稳态条件下建立污水处理厂工艺过程模型,并对模型进行校正以确定水质参数。在稳态模型基础上进行污水处理工艺动态模拟,以实测进水COD及COD虚拟监测模型预测数据作为输入量,动态模拟污水生化处理过程,考察污水处理工艺模型各处理段的水质标量与实测值的近似程度。结果表明,全流程模型能够较好的预测出水COD,证明了该方法的可行性,同时为污水处理厂构建全流程水质监测网络提供了解决方案。本研究通过对污水处理厂水质数据进行数据挖掘,解析各水质指标之间的内在联系,特别是采用机器学习算法建立了进水水质虚拟监测模型,解决了COD、VFA等难在线监测水质指标的实时数据获取问题;此外通过建立污水处理厂工艺流程模型,结合进水水质虚拟监测模型,可实现污水处理厂全流程的水质实时监测,为污水处理厂的数字化提供数据保障。该研究为污水处理厂的数字化和智慧水务的发展面临的技术难题提供了新的解决思路,具有一定的理论价值和实用价值。