中长期径流预报可为水资源优化配置、河流生态修复、防洪发电、灌溉与航运提供依据。如何利用有限的水文资料提高中长期径流预报精度是水文学者关注的问题。目前已开发的中长期径流预报模型有许多,模型的适用条件和程度不同,通过分析模型的适用条件,根据流域特征选择合适的模型并进行径流中长期预报更具有工程实践意义。本文以中国三个流域的实测月径流量为研究对象,分别是洛河流域长水水文站、汾河流域河津站以及乌江流域洪家渡水电站。综合分析了传统成熟的、深度学习和基于数据分解算法组合的预报模型,总结了各模型在月尺度径流预报的应用特性,以期找到更合适的中长期预报模型,为提高中长期水文预报精度提供有价值的参考。主要研究内容和成果如下:（1）为了揭示中长期径流时间序列演变规律与变化特征,采用Morlet小波变换、赫斯特（Hurst）指数和Mann-Kendall（M-K）突变检验对研究对象的周期性变化、非线性趋势变化和突变特征进行对比分析,掌握径流时间序列的变化特征。结果表明:三个研究区域存在不同时间尺度的周期性变化规律;三站的径流序列均呈减少的趋势变化;受区域时空差异、气候变化以及人类活动的影响,三站径流时间序列的突变时间也不相同。综合三种径流变化特征分析结果,便于为后续的径流预测提供更加可靠的理论支撑。（2）为解决传统神经网络预报模型精度低、泛化性差等问题,构建基于深度学习的门控循环单元（GRU）和时间卷积网络（TCN）模型进行中长期径流预报,通过与传统的长短时记忆神经网络（LSTM）、BP（back propagation）神经网络模型、自适应模糊推理系统（ANFIS）技术和极限学习机（ELM）模型对比,探究基于深度学习的GRU和TCN模型在研究区域月径流预测的适用性。通过对长水站、河津站和洪家渡水电站的月流量预测,验证了各模型的性能。结果表明,综合四种评价指标,基于深度学习的GRU和TCN模型性能明显优于LSTM、ELM和ANFIS,同时BP模型预测精度仅次于GRU和TCN模型;纵向分析研究结果可以看出三个站点数据特征差别比较大,长水站预测难度最高,河津站次之,洪家渡水电站月径流数据预报难度最小。GRU和TCN模型既能捕捉月径流演变规律,又能准确快速地预测月径流变化,为流域中长期径流预报提供一种新的思路。（3）由于径流序列非线性趋势强、波动性大等特点,单一预报模型很难全面的捕捉径流序列的多种频率和成分,本文耦合变分模式分解（VMD）和基于深度学习的GRU和TCN预测模型,构建了用于月径流时间序列预测的两种一次分解组合预测模型。利用VMD分解技术逐级分解实测月径流数据,将分解得到的子序列作为GRU和TCN模型的输入,并进行训练、验证和预测。为验证本文构建模型的性能,首先对比了VMD分解、自适应噪声完全集合经验模态分解（CEEMDAN）和小波包分解（WPD）三种数据预处理技术的性能,同时评价了VMD、WPD、CEEMDAN方法耦合BP、ANFIS、ELM、LSTM、GRU和TCN模型的适用性。结果表明,基于数据预处理和深度学习算法的组合预测模型能够取得更满意的预测精度,即VMD-GRU和VMD-TCN性能更优;基于数据分解的组合预报模型精度要优于单一预报模型,分解技术能够大幅提升径流预报精度;三种分解方法,VMD性能最优,WPD次之,CEEMDAN最差。（4）CEEMDAN分解得到的高频分量,如IMF1,是制约预测性能提升的一大障碍,为了解决IMF1问题,进一步提升预测性能。本文提出了两种耦合二次分解和深度学习模型的CEEMDAN-VMD-GRU和CEEMDAN-VMD-TCN方法。首先采用样本熵、模糊熵、近似熵三种方法衡量CEEMDAN分解得到的各子序列的复杂度,然后将复杂程度最高的子序列IMF1利用VMD方法进行二次分解再预测。结果表明,二次分解技术是强有力的提高径流预报精度的工具,本文提出的两种组合模型能够获得比传统方法更好的精度,对提高中长期水文预报精度是可行的和有效的。