Water utility companies usually become aware of bursts and leaks through customer phone calls, such as complaints of low pressure, service interruption, and spotting of surface water. However, not all bursts and leaks in water supply networks are reported through customer contact because the leaked water sometimes seeps underground. These can cause significant unplanned service interruptions over a large service area after the latent period, i.e., the period from the occurrence of a burst and appearance of leak symptoms to when water supply to customers is cut off. Therefore, many water utility companies are making an effort to develop a more proactive approach through the analysis of abnormal hydraulic conditions (flow and pressure) based on online measurement data. Many studies have focused on the application of artificial neural networks (ANNs) to predict the probability distribution function of the hydraulic parameters. However, these ANN approaches require large quantities of training data to improve prediction accuracy and large computational costs. Kalman filtering, also known as linear quadratic estimation, is an efficient tool for time series analysis and is widely applied in various engineering fields. This paper proposes a Kalman filtering method to detect abnormal water usage, including bursts and leaks, based on hydraulic measurements of flow and pressure in water supply networks. The proposed method consists of two-step processes. In the prediction process, the Kalman filter estimates the current state variables along with their uncertainties. These estimates are then updated using a weighted average. For burst and leak detection, the noise of the filter is used to determine the abnormal water usage owing to the bursts and leaks. The developed model is first validated by a series of engineering tests in northern England, where the previous study was conducted. The model is then implemented for real online measurement of the flow at the SS district mete