到目前为止，在水文学领域已经研究出很多成熟的流域水文模型，广泛应用于流域降雨～径流模拟和实时水文预报。然而，这些水文模型都仅是对真实水文过程的概化和抽象，往往强化了水文过程的某些方面而忽视了另一些方面。因此，急需一种多模型组合预报方法。一方面，可以综合各模型优势，提高预报精度；另一方面，给出可靠的概率水文预报，定量地评价模型结构不确定性对预报的影响。因此，论文将贝叶斯模型平均法应用于水文模型综合中。 贝叶斯模型平均法是一种基于贝叶斯理论的将模型本身的不确定性考虑在内的统计分析方法。它以实测样本隶属于某一模型的后验概率为权重，对各模型预报变量的后验分布进行加权平均。因而，在将贝叶斯模型平均法应用于水文模型综合之前，需要解决下面两个问题：①如何确定各模型的权重；②如何确定各模型预报量的后验分布。为此，论文采用了三个关键技术，分别是运用遗传算法对水文模型参数进行优化，从而获得各模型的模拟样本；通过亚高斯模型分别对实测和各模型模拟样本进行正态分位数转换，并对转换后的时间序列进行线性假设，以确保各模型的预报变量近视服从正态分布；采用期望最大化算法估计高斯混合模型参数，进而确定出综合预报变量的概率分布。 论文选用萨克拉门托和Topmodel模型，将基于贝叶斯模型平均法的水文模型综合应用于浙江省密赛流域的洪水预报中。实例分析表明，①基于贝叶斯模型平均法的水文模型综合预报，不仅可以给出精度较高的均值预报，而且可以给出以指定概率的置信区间为指标的预报不确定度，实现了洪水的概率预报；②单组或多组权重贝叶斯模型平均法在洪峰时刻的概率预报均较优；③对整个洪水过程的预报，多组权重贝叶斯模型平均法比单组权重更可靠。