快速精准预测河流水质是城市水管理战略的重要任务，而河流水质因子具有时序性、不稳定性和非线性等特点且受多种因素影响，会造成时空维度上分布差异。针对现有水质因子预测方法大多是单监测站点的时间序列预测，无法描述河流水质因子的空间分布。提出一种基于时空图卷积融合长短记忆神经网络的河流水质时空预测模型（STG-LSTM）。以各监测站点地理位置和水质因子历史观测值为依据，构建时空图来表征各监测站点间的时空相关性。将时空图输入到STG-LSTM模型中，采用图卷积（GCN）提取河流水质数据空间依赖关系，并融合长短时记忆神经网络（LSTM）来获取水质因子数据的时空关联性，实现对未来一段时间运河河段不同位置水质状态的时空预测。用京杭运河常州段上八个监测站点四种不同水质因子数据集进行验证，从预测精度和训练时间两方面，将模型和其它六种预测模型进行比较，并对模型进行可靠性测试。实验结果表明，STG-LSTM模型能以较短的训练时间得到较高的预测精度，实现了对河流不同位置水质的快速精准预测，为城市水管理提供技术支撑。