在全球气候变化的背景下,极端降雨事件增加导致我国各地超标准洪水频发。由于我国中小河流防洪建设相对薄弱,每年由洪灾造成的损失极为严重。中小河流洪涝灾害治理工作成为我国防洪减灾工作中的痛点与难点,研究适用于中小河流洪水特点的预报方法已迫在眉睫。针对中小河流洪水预报对精确性和时效性的要求,本文开展了深度学习和水动力学模型结合的中小河流洪水预报研究,构建了流域降雨径流预报模型和河道洪水演进模型,以期提高降雨径流预报和洪水演进模拟的精度和速度。主要研究内容和成果如下:（1）开展了基于深度学习长短时记忆网络（LSTM）的流域降雨径流预报研究。LSTM作为数据驱动模型,具有良好的非线性映射能力,但存在未考虑降雨径流过程机理性因素的局限性,限制了其预报精度的提高。针对此问题本文提出了考虑初损的LSTM降雨径流预报方法,将LSTM与HEC-HMS半分布式水文模型进行结合,使用HEC-HMS优化求取初损Ia,把初损引入LSTM网络来考虑下垫面下渗、植被截留和蒸发等因素对降雨径流造成的影响。以降雨扣除初损求得的潜在径流量数据序列为输入,径流量数据序列为输出,构建考虑初损的LSTM流域降雨径流预报模型,提高了降雨径流预报的精度。（2）开展了 LSTM与HEC-RAS耦合的河道洪水演进模拟研究。在水动力学模型（HEC-RAS）的基础上耦合深度学习模型（LSTM）,建立深度学习和水动力学耦合的河道洪水演进模型。将LSTM模型计算得到的流域上游断面的流量过程作为水动力学模型（HEC-RAS）的入流边界条件,利用HEC-RAS进行河道洪水演进模拟,实现由上游流域降雨快速预报下游河道淹没范围,提升了洪水预报的时效性。（3）结合深度学习卷积神经网络（CNN）对水动力学模型（HEC-RAS）进行糙率反演。以断面水深数据为输入,各河段糙率数据为输出,构建基于CNN的糙率反演模型,排除人工率定糙率时的主观性因素干扰,提高了水动力学模型的模拟精度。（4）案例应用与分析。以山东省济南市玉符河为例进行应用研究,结果表明:未考虑初损的LSTM模型预报合格率为60%,考虑初损的LSTM模型预报合格率为80%,引入初损后LSTM展现出了更好的预报性能;HEC-RAS水动力学模型的模拟结果能够基本反映真实水面线的变化趋势,但局部水深模拟误差较高;使用CNN反演糙率参数后,水深模拟误差得到了有效降低,水动力模拟精度显著提高;通过深度学习LSTM模型和水动力学模型的耦合,实现了由玉符河上游降雨数据对下游河道洪水淹没范围的快速预报。将深度学习与水动力学模型相结合,构建适合中小河流的洪水模拟预报模型是未来中小河流洪水预报颇具潜力的发展方向。