水资源是一种宝贵的资源,有水的地方才有生命,现代社会生活生产也离不开水。为应对日益严重的水资源问题,研究径流演变趋势并做出科学预测,对水资源的开发利用、水利设施的安全高效运行以及防灾减灾等方面具有十分重要的意义。本文首先详细阐述了中长期径流预报的现状和若干种基于物理过程的模型和数据驱动模型的原理。随后研究了多种径流特性分析的方法和理论,并针对研究流域分析了旬径流时间序列的基本组成、趋势性、跳跃性以及周期,为中长期径流预报奠定基础。论文的主要研究和创新性成果如下:（1）本文首先从建立中长期径流预报的重要方面即预报因子的筛选入手,选择灰色关联法、随机森林法和互信息法三种方法筛选出三组不同的预报因子,输入到深度神经网络模型、Elman神经网络模型、BP神经网络模型、多元回归模型以及支持向量机模型5种基模型中,结果表明灰色关联法和互信息法筛选出的因子明显优于随机森林算法筛选出的因子。（2）其次基于集成学习和组合模型的思想,构建了以Stacking算法为框架,以深度神经网络模型、Elman神经网络模型和BP神经网络模型为基模型,以Adaboost、GBDT、XGboost和RF算法为元模型的共16个集成学习模型;同时构建了以多元回归模型和支持向量机模型为基模型,基于信息熵定权方法的传统组合模型。（3）模型构建完成后,采用确定性系数、距平符号一致性和平均相对误差作为评价指标对5个基模型、16个集成模型以及1个传统组合模型进行比较。结果表明,相较于基模型,集成模型在三个指标上都有较大的提升,其中集成模型确定性系数均在0.93以上;DNN-Elman-XGboost模型的平均相对误差最低,为19.8%;DNN-Elman-BP-RF模型的距平符号一致性最高,为96.9%。（4）同时4类集成模型呈现不同的特点,如XGboost模型的平均相对误差都较低,而GBDT模型具有较高的距平符号一致性。相较于传统的组合模型,集成模型构建过程虽然更加复杂,但精度和对径流趋势的拟合更好。