随着生活水平的不断提高，人们对生活饮用水的水质要求也越来越高。为了满足人们对于高质量饮用水的需求，各级供水部门都积极致力于提高供水安全性的研究中。在净水技术不断发展完善的同时，城市饮用水安全保障的研究重点开始向管网安全输配水方向转移，从而城市给水管网系统的水质检测与控制已成为该领域的热门课题。 氯消毒以其突出的优势已成为我国目前各级供水部门普遍采用的一种饮用水消毒方式。这其中一个主要的特点就是氯消毒的后效作用，而这个特点也使得余氯浓度水平成为评价管网水水质安全与否的重要指标。因此目前对管网水质的监控主要体现在对管网中余氯浓度值的监控。而以现有的检测手段很难通过实测的方法实现对管网水中余氯浓度的全程适时检测，所以余氯预测便成为实现管网水质监控的关键环节。 现有的余氯预测方法主要集中为一阶衰减模型及以此为基础的各种演变形式以及人工神经网络模型。一阶衰减模型是基于余氯衰减动力学机理而提出的一种模型，是目前所广为应用的形式，但是其不足在于，该模型对于起始衰减阶段的预测不是很理想；而且管壁衰减系数的确定仍然是个难题。人工神经网络模型是一种统计学模型不需要对衰减机理进行研究，但在其应用过程当中也存在着一些不足，例如，所得结果不是全局最优，存在极值点问题；过于追求拟合精度而造成过学习问题；建模过程对于建模者的经验要求较高。 针对此现象本文提出一种新的机器学习算法—支持向量回归机(SVR)方法。该方法基于统计学习理论，借助于最优化方法，采用结构分风险最小化原则，所有这些特点使得该方法得以很好地解决了人工神经网络的诸多不足；而且该方法是一种专门适合于小样本分析的预测方法。本文的目的就是通过引入该方法实现对管网余氯衰减变化系数的确定，从而使得一阶衰减模型的工程应用更加便利化、合理化。 文中以广义最优分类面理论为基础对SVR的基本思想进行了较为详细的探讨，并从原理上将其与人工神经网络进行了对比，指出它的优势所在。在模型的实现算法研究中本文引入了目前最为流行的分解算法并重点论述了该算法的一种特殊形式——SMO算法。最后通过LABVIEW程序语言对算法进行实现。 在动态水质数据的现场采集方面，本文对传统的示踪理论加以扩展，提出了基于水体自身信息变化的示踪试验理论，在此基础之上，开创性地开展了两种管网示踪试验。此外，在充分利用城市动态水力模型的基础上开展了沿水力路径测试试验；在充分利用管网末梢特点的基础上开展了管网末梢管段试验。