为快速、准确地识别河流水污染潜在风险,耦合双向长短期记忆网络(Bi-LSTM)和孤立森林(IF)算法,构建了基于Bi-LSTM-IF算法的河流水污染风险识别模型,分析了河流水质实时变化趋势和多维异常特征。利用松花江流域阿什河实测数据,选取浊度、总磷及氨氮(NH₃-N)作为表征风险的多维核心指标,采用局部受试者工作特征(pROC)曲线验证了Bi-LSTM-IF算法的异常检测性能,并对比了Bi-LSTM-IF算法与基于Bi-LSTM预测和单类支持向量机分类的异常检测算法的性能,结果表明:Bi-LSTM-IF算法在浊度-NH₃-N二维异常检测模式下具有良好的异常检测性能,pROC曲线的AUC值最大为0.92~0.96,其最佳检出率为0.855~0.942,误报率仅为0.056~0.087；多维异常检测模式的性能总体上优于一维异常检测模式,Bi-LSTM-IF算法可有效检测多维水质异常特征,基于Bi-LSTM-IF算法的河流水污染风险识别模型可提高河流水污染风险识别的准确性和检测效率。