Sustavi transporta vode služe za opskrbu različitih korisnika pri čemu je glavna funkcija sustava osiguranje želje kvalitete vode i njenih hidrauličkih karakteristika. Problemi u sustavu mogu uzrokovati značajne gubitke, trajna oštećenja, a u konačnosti mogu predstavljati opasnost za ljudske živote, te se zbog toga sustavi transporta vode redovito prate i reguliraju. S povećanjem količine dostupnih mjerenja kao i s povećanjem računalnih resursa, primjena umjetne inteligencije prilikom dizajniranja i kontrole sustava transporta vode postala je sve zastupljenija. U ovoj doktorskoj disertaciji predloženo je nekoliko novih smjerova primjene umjetne inteligencije u svrhu poboljšanja sustava transporta vode. Prvi od istraženih smjerova je optimizacijski pristup koji je primjenjen za poboljšanje dizajna djelova ulazne strukture sustava transporta vode, konkretno zaštitne rešetke. Primjenom optimizacijskih metoda moguće je prilagoditi geometriju poprečnog presjeka kako bi se minimizirali hidraulički gubitci uz zadovoljenje ekoloških i inženjerskih zahtjeva. Optimizacijski pristup je primjenjen i na problem detekcije mjesta unosa onečišćenja u sustav transporta vode. U slučaju pojave onečišćenja u sustavu potrebno je brzo odrediti lokaciju i parametre onečišćenja, u cilju upozorenja korisnika i poduzimanja potrebnih zaštitnih radnji. Primjenom nove metode koja smanjuje broj potencijalnih čvorova unosa onečišćenja, za svaki preostali potencijalni čvor proveden je zaseban optimizacijski postupak, čime je smanjena dimenzionalnost problema što pojednostavljuje i ubrzava optimizacijski postupak. Nadalje, strojno učenje primjenjeno je za predviđanje nekoliko mogućih lokacija unosa onečišćenja na temelju ograničenih senzorskih mjerenja. Predikcijski model je istreniran na sintetičkim mjerenjima dobivenim iz većeg broja numeričkih simulacija provedenih za varijabilni broj lokacija onečišćenja i za varijabilne parametre unosa onečišćenja. Slična metodologija provedena je i za određivanje mjesta oštećenja cjevovoda, gdje je predikcijski model istreniran na sintetičkim podatcima o izmjerenim tlakovima, koji su dobiveni iz većeg broja simulacija sa varijabilnim mjestom i veličinom oštećenja. Za razliku od standardne metodologije, u kojoj se pretpostavlja da se oštećenje dogodilo u nekom od čvorova vodovodne mreže, u ovom radu predlaže se novi pristup u kojem se nakon preliminarne lokalizacije oštećenja provodi dodatna segmentacija cijevi kako bi se lokacija oštećenja mogla točnije odrediti. Provedeno istraživanje pokazalo je da se metode umjetne inteligencije danas mogu uspješno primjeniti na probleme koji se prethodno nisu rješavali na ovaj način, ponajviše zbog prevelikih računalnih zahtjeva. Metode predložene u ovom radu pokazuju da se povećanjem računalnih resursa i korištenjem poboljšanih tehnika umjetne inteligencije može poboljšati rad i kontrola sustava transporta vode.