我国水资源时空分布不均,水灾害频发,严重制约国民经济发展。中长期径流预报是水利工程建设、运行管理的重要依据,对防汛抗旱、供水发电、航运旅游起到关键作用。随着社会经济的发展和科技水平的提升,流域水资源的统一调度、梯级枢纽的联合调度水平随之推进,对中长期径流预报精度也提出了更高的要求。本文以嘉陵江流域的汛期径流为研究对象,利用相关系数法和互信息理论法对流域、全球、天文三大尺度因子与流域径流进行相关性分析,基于相关性分析结果对因子进行筛选,分别基于单尺度因子和多尺度因子建立浅层机器学习模型进行中长期径流预报,研究不同因子筛选方法以及尺度因子对预报结果的影响,在此基础上建立深度学习中长期径流预报模型,探究深度学习方法用于中长期径流预报的适用性,并与浅层机器学习预报结果对比,分析两者在嘉陵江流域汛期径流预报方面的优劣。本文主要研究内容及成果如下:（1）运用相关分析方法分析三大尺度因子与嘉陵江流域汛期径流的相关关系。基于相关系数法、互信息理论法研究流域尺度因子、全球尺度因子、天文尺度因子与嘉陵江流域汛期径流的相关性,结果表明,流域尺度因子的相关性最强,天文尺度因子的相关性最弱。（2）基于相关性分析结果,设置不同尺度因子组合方案,建立浅层机器学习模型对不同尺度因子组合方案进行融合预报。结果表明,浅层机器学习能针对成因机制复杂的中长期径流进行有效预报,预报精度较好。不同因子筛选方法选出的因子有所区别,但机器学习预报结果相差并不大,拟合优度相差不超过0.1。基于单尺度因子进行预报时,流域尺度因子整体预报效果最佳;基于多尺度因子融合预报时,当输入因子组合中有流域尺度因子和全球尺度因子时,相较其他方案预报效果有明显提升,且在特定尺度因子融合的情况下,多尺度因子融合预报效果优于单尺度因子预报。（3）借鉴卷积神经网络（CNN）在图像识别领域自提取特征的思路,研究了基于CNN的中长期径流预报模型。结果表明,CNN能够很好的应用于嘉陵江流域汛期径流预报,对汛期径流总量以及主汛期各月径流预报的平均拟合优度达0.83,平均预报合格率也超过87%;CNN在汛期径流预报上表现优于BP神经网络。同时,CNN在影响因子挑选这项工作上可以自动完成特征的有效提取,相较BP神经网络模型,更加节省水文工作者的时间精力。