从现阶段我国环境污染的实际情况来看,水环境保护的关键是水环境的实时监控和有效管理,化学需氧量（COD）是评价水体质量的重要参数。近年来,在水环境检测领域,COD的实时监测和精准预测成为水质检测中不可或缺的一环。本文针对不同水体的污染物差异性很大,水体中的悬浮颗粒物造成实际光谱的抬升,且各种常见的浊度补偿方式补偿效果较弱且适用性较低问题,本文用函数补偿法对溶液的浊度进行全光谱范围的校正。最后,对水质评价的重要参数COD,开展了多种水质COD预测模型对比实验。完成的主要研究内容如下:1)调研了当前国内外水质参数检测的方法,从多个方面分析对比了不同方法不同领域的优劣势,引出本专业的水质参数主要检测方法:紫外-可见光谱法水质检测,且对紫外-可见光谱法在水质检测领域的地位和发展进行了分析和评价;对常见的水质参数检测中的浊度补偿方法进行了详细的国内外调研,为后续的函数拟合浊度补偿奠定了基础。2)介绍了紫外-可见光谱法水质检测理论基础,并对当前基于深度学习的水质参数预测模型（循环神经网络模型、回归分析模型、灰色系统理论模型、时间序列模型）结构以及算法推导分析。阐述了模型的适用性和不同模型的优势,对紫外-可见光谱法结合深度学习对COD的预测以及浊度补偿进行展望,为后文COD预测提供理论基础。3)进行了基于散射谱分析的水体紫外-可见光浊度补偿函数方法研究。介绍并分析了几种常见的紫外-可见水质光谱浊度补偿方法,介绍了颗粒物基于Mie散射的基本理论、推导了Mie光散射相关物理量的数值计算方法。在构建光路系统中,运用Trace Pro光学仿真软件对光路系统仿真选取最优光源光纤,通过仿真搭建光路模型。结合对颗粒物粒度特性进行分析,运用Mie理论构建了颗粒物浊度干扰幂函数修正拟合方程、指数函数拟合方程、二次项拟合方程,并进行了实验验证,幂函数修正拟合方程达到最优的拟合效果,其校正均方根误差为0.049,指数函数校正均方根误差为0.109,二项式校正均方根误差为0.152。4)设计了一种基于SVM算法的水体样本分类模型,其可以在对未知水样测定COD前,首先对其进行水质判别,找到与之成分类似的水样再进行测定,从而达到间接改善紫外-可见光谱法直接检测COD模型兼容性差的问题。并开展了基于紫外-可见光谱法的深度学习水质COD预测模型,实验结果表明:运用SVM算法模型有效地分类水质,不仅能够提升预测精度,同时还为提升水质在线监测的稳定性提供了一种新的途径。对比BP神经网络模型、PCA-BP模型、PLS,CNN模型在拟合、预测精度、判定系数和误差方面表现都很优秀,其RMSEP、MAE和MAPE值分别为4.922、3.111、4.97%,其拟合优度R~2达到0.9988。