Med nya utmaningar för att tillgodose behoven av tjänligt dricksvatten hos konsumenter över hela världen krävs innovativa tekniker för övervakning av vattenkvalitet. I det här projektet undersöktes ett nytt instrument som detekterar och klassificerar partiklar i dricksvatten med hjälp av maskininlärda modeller. Målet var att utvärdera dess användbarhet som ett onlinesystem för tidig varning på Norrvattens reningsverket och ledningsnät. Utvärderingen utfördes som två separata delar: (1) en översiktlig analys av data som tidigare samlats in av tre instrument placerade på Norrvattens reningsverk och ledningsnät med målet att hitta trender och definiera tröskelnivåer, och (2) genom att utföra spikningsexperiment i instrumentet med kända föroreningar i laboratoriemiljö. Föroreningarna som undersöktes var E. coli, B. megaterium, humussyror, cyanobakterier av stam Synechocystis PCC 6803, och biofilm. Flödescytometri genomfördes på samma föroreningar för att möjliggöra jämförelser. Dataanalysen visade att instrumentet kan upptäcka säsongsvariationer i partikelnivåer. Dessutom har det partikelklasser som inte varierade med dessa fluktuationer vilket gör dem lovande som oberoende parametrar i ett varningssystem. Det fanns dock indikationer på att instrumentet kan göra oförutsedda klassifikationer av partiklar utifrån skillnader i sammansättningen mellan träningsdatats vatten och vattnet på Norrvatten. De laborativa experimenten visade att instrumentet kunde detektera alla föroreningar som testades, även vid cellantal på några få hundra celler/mL. Det kunde jämföras med flödescytometern, där det nya instrumentet kunde upptäcka halter av cyanobakterier under detektionsgränsen för flödescytometern, vilket indikerar en hög känslighet. Därför drogs slutsatsen att instrumentet har potential som tidigt varningssystem, men dess användbarhet hos Norrvatten är begränsad i dess nuvarande tillstånd på grund av de oförutsedda klassificeringarna av partiklar i deras vatten. / With emerging challenges in ensuring safe supplies of drinking water to consumers worldwide, there is a need for innovative technologies for water quality monitor- ing. In this project, an instrument which can detect and classify particles in drinking water using machine-learned models was investigated. The aim was to assess its usefulness as an online, early warning system in the drinking water treatment plant and distribution system at Norrvatten. The assessment was conducted as two separate parts: (1) an analysis of data previously collected by three instruments located around Norrvatten’s plant and distribution system, with the aim of finding trends and creating baselines, and (2) by conducting spiking experiments in the instrument using known contaminants in a lab environment. The contaminants tested were E. coli, B. megaterium, humic acids, cyanobacteria Synechocystis PCC 6803, and biofilm. Flow cytometry was performed on the same contaminants to enable comparison. It could be concluded from the data analysis that the instrument can detect seasonal trends in particle levels. In addition, there are classes of particles which are not subject to these fluctuations, making them promising as independent parameters in a warning system. There were however indications that the instrument can make unexpected classifications of particles due to differences in composition in the training data water and the water at Norrvatten. The lab experiments showed that the instrument could detect all contaminants tested, even cell numbers of a few hundred cells/mL. Comparing with flow cytometry, the novel instrument could detect concentrations of cyanobacteria below the detection limit of the flow cytometer, indicating a high sensitivity. It was concluded that the instrument has properties desired in an early warning system, but its usefulness at Norrvatten is limited in its current state due to the unexpected classifications of particles in their water.