内河航道水位预测是一项具有挑战性的工作,对内河水路交通有着深远的影响。它对内河航行船舶的货物配载、航行效率、航行安全起着至关重要的作用。科学合理的进行内河水位预测,可提升内河航道通航效率,保障船舶航行安全。随着遥测遥控技术的发展,通过在内河沿线设置的水位观测站可获取大量的水位数据。人工智能领域的深度学习理论和技术提供了一种从大量数据中学习并建立模型的方法,这为研究水位预测技术提供了一种新的思路,许多学者利用深度学习技术建立了各种水位预测模型。本文基于时空图卷积网络（STGCN）探索一种新的水位预测模型,以进一步提升内河航道水位预测精度。完成的主要工作包括:（1）基于STGCN的多水位站联动水位预测模型。根据多个水位站之间的地理位置与里程值构建水位站网络拓扑图;利用水位值、水位站之间连接性和水位站之间里程值分别构成图的顶点、边和权值,将时序水位数据转换成时序图结构数据;基于构建的时序图结构数据,利用STGCN图神经网络框架构建多水位站联动的水位预测模型。与其他三种基于循环神经网络的水位预测模型进行对比实验和分析,结果表明基于STGCN的多水位站联动水位预测模型具有更高的稳定性、预测精度和推理效率。（2）基于STGCN的多因素关联水位预测模型。利用基于STGCN的多水位站联动水位预测模型对长江沿线进行水位预测,结果发现三峡大坝下游附近以及长江下游附近的水位预测精度较低,分析其原因主要是三峡大坝蓄水放水以及长江入海口的潮汐变化所致。针对这一现象,利用图结构优势进一步研究了多因素关联的水位预测模型,并以潮汐因素影响为例进行了实验和对比分析,结果表明基于STGCN的多因素关联水位预测模型能够进一步提升长江下游的水位预测精度。本文根据长江沿线水位数据和图神经网络的特点,提出了基于STGCN的多水位站联动水位预测模型和多因素关联水位预测模型,能够有效进行水位预测并提高预测精度,对于保障船舶航行安全、提升航道通航效率具有很好的应用价值。