供水管网漏损问题是供水体系中的重要问题之一。管网漏损不仅会导致水资源的浪费,影响周围居民的正常用水,而且会造成周围环境中细菌的滋生,影响水质,严重情况下可危害居民的生命安全。供水管网漏损定位的实现,可帮助供水部门的工作人员快速地确定管网漏损位置,为后续的管道修复争取了时间,极大的改善了居民的生活用水质量。因此及时而准确地确定管网漏损位置,对控制管网漏损,防止我国水资源浪费有着重大意义。供水管网数据既包含水压、流量等时间序列数据,也包含管径、管材等空间序列数据。深度学习可以很好的挖掘各类数据的特征,找到数据在不同特征上的变化趋势。因此,我们选取深度学习模型对管网漏损的时空数据进行分析,并将漏损定位问题抽象为多分类问题,不同的类别表示管网在不同的节点处漏损,进而可实现管网的漏损定位。供水管网发生漏损后,管道中的水压与流量等数据会随着时间变化发生波动。因此,管网漏损数据具备时间序列数据的特征。本文采用擅长分析时间序列数据的双向LSTM（Bidirectional Long Short Term Memory,简称Bi-LSTM）神经网络对管网漏损时的水力数据进行分析,并得到漏损点的具体位置。首先根据实验室搭建的管网模拟平台建立基于EPANET软件的管网线上模拟平台,在该平台上进行各个节点漏损的模拟及各时间点节点水压的获取,然后采用Bi-LSTM进行分析,最终通过多分类操作得到漏损节点的位置及各个漏损节点发生漏损的概率。实验结果表明,该模型能够快速而准确地实现供水管的漏损定位,其准确率对比BP（Back Propagation,简称BP）神经网络及传统LSTM模型均有明显提升。考虑到管网漏损不仅与压力、流量等时间序列数据有关,也与管径、管龄及管道粗糙系数等空间序列数据相关。基于管网漏损数据的时空特性,本文采用基于注意力机制的CNN-LSTM模型对管网数据进行分析,实现对管网漏损信息的全面捕获,从而达到精准的漏损定位。模型中依旧采用对时间序列数据比较敏感的双向LSTM神经网络进行时间序列数据的分析,之后通过卷积神经网络（Convolutional Neural Networks,简称CNN）对非时间序列数据进行学习。由于空间属性对供水管网的漏损的影响与时间属性相比所占比重较小,因此在模型中引入注意力机制,令其为数据输入的维度分配权重,则可以实现更准确的漏损定位。与基于双向LSTM的漏损定位模型类似,该模型也将通过多分类操作返回供水管网发生漏损的具体位置以及各个漏损节点发生漏损的概率。将该模型与BP神经网络、双向LSTM神经网络进行对比,实验结果表明,该网络有效提高了分类的准确率,实现了对供水管网漏损点的准确定位。