В статье рассматривается алгоритм сбора и анализа технологических данных очистных сооружений с использованием методов машинного обучения. Основная цель исследования заключается в решении двух ключевых задач: регрессионного прогнозирования качества очищенных сточных вод и классификации с целью предотвращения аварийных ситуаций на очистных сооружениях, в частности, нитчатого вспухания активного ила. Поскольку получение больших объемов качественных данных непосредственно на действующих очистных установках часто затруднено, особое внимание уделено оценке возможности использования лабораторно полученных данных в качестве обучающего набора. Для этого был сформирован датасет в условиях, воспроизводящих реальный технологический процесс, с последующим применением его для обучения моделей. Тестирование и валидация алгоритма проводились на небольшом наборе реальных производственных данных, полученных непосредственно с действующих станций очистки сточных вод. В результате экспериментального сравнения нескольких подходов к решению указанных задач было выявлено, что наилучшие показатели точности демонстрируют модели градиентного бустинга из семейства CatBoost. Для задачи регрессии удалось достичь среднего абсолютного процентного отклонения (SMAPE) на уровне 9,1 %, а при решении задачи бинарной классификации была получена максимально возможная метрика ROC-AUC, равная 1,0. Кроме того, в рамках работы определен набор наиболее значимых предикторов для каждой из прогнозируемых целевых переменных, что позволило выявить ключевые факторы, влияющие на эффективность очистки и стабильность работы очистных сооружений. Предложены практические рекомендации по подготовке данных и выбору оптимальных моделей, что подтверждает перспективность подхода для автоматизированного контроля и интеллектуального управления процессами очистки сточных вод.