为克服 LSTM 在水质溶解氧（DO）预测中特征表征能力受限及 MLP 激活函数适应性不足等问题，构建一种融合 Kolmogorov-Arnold 网络（KAN）与长短期记忆网络（LSTM）的新型混合架构模型。该模型以可学习的 B 样条激活替代MLP 的固定非线性变换，进而搭建 KAN-LSTM 级联网络。基于马鞍山市雨山河下游断面高频水质监测数据开展验证，并与 LSTM、MLP-LSTM 等模型进行性能比较。在 KAN-LSTM 模型的 MAE 达到 0.5330mg/L，R2 为 0.9276，相比标准 LSTM 误差降低 10.4%的效果的同时模型参数量仅为 45K，相较 MLP-LSTM 压缩 77% 。所提方法在预测精度、模型轻量化和物理可解释性方面具有综合优势，为河流水质的准确预测提供了技术参考。