洪水预测能够对水位快速升高以及洪水到来时间进行提前预警,对保障人们的生命财产安全,具有重要的研究价值。河流水位数据通常是非线性、非平稳的时间序列,且其容易受到时间及空间等因素的影响,即当前水位同时受到上游水位和过去时刻水位的影响。但并不是所有的输入特征都与洪水预测呈正相关,不相关的输入往往会带来大量噪音,导致预测准确率下降。因此在洪水水位预测中通常面临着两大问题:（1）现有的水位预测模型在预测过程中缺乏对时空信息的有效利用;（2）如何从大量的时间、空间数据中提取出有利于预测的信息,是河流水位预测的重点与难点。因此基于上述两个问题,本文针对当前水位预测模型时空信息利用率不足的问题,提出了一种基于记忆网络的自适应时空注意力模块。本文提出使用基于记忆网络的注意力机制,构建一种具有自适应性的时空注意力模块;然后由一个自适应时空注意力模块,分别生成对应的时间或空间注意力权重矩阵;最后将自适应时空注意力模块应用在长短期记忆网络（Long Short-Term Memory network,LSTM）模型前,以此提高模型对时空数据的高效利用,提高预测的河流汛期水位预测精度以及扩大预测提前期。本文从以下五个方面展开研究:（1）对现有的河流水位预测模型与注意力机制的实现方法进行了详细的总结与归类,对国内外的相关研究背景及研究现状进行了整理。阐述目前水位预测模型和三种注意力网络结构,分析其中存在的不足,提出改进方案。（2）提出一种基于记忆网络结构的自适应时空注意力河流水位预测模型。针对目前已有水位预测模型的不足,提出一种基于记忆网络结构的注意力机制,通过引入外部记忆单元提高网络的信息存储能力实现注意力机制。时空水位数据经过注意力模块被自动映射为对应的时间或空间注意力权重矩阵,将这种注意力模块应用在时间序列预测模型LSTM的输入前,为数据在时间和空间维度上筛选对预测更有价值信息并赋予更高的比重,提高LSTM模型的时空信息利用能力。（3）根据自适应时空注意力模块与LSTM模型的组合情况,可以构建三种注意力模型:空间注意力LSTM（Spatial Attention LSTM,SA-LSTM）、时间注意力LSTM（Temporal Attention LSTM,TA-LSTM）和时空注意力LSTM（Spatio-temporal Attention LSTM,STA-LSTM）。（4）然后,验证自适应时空注意力水位预测模型的预测能力。在汉江水位数据集上进行短期水位预测,验证注意力模块对于提高LSTM模型的时空信息利用能力的有效性。实验结果表明,与原始LSTM相比,SA-LSTM、TA-LSTM和STA-LSTM的决定系数（R~2）分别提升了8.1%、8.17%和8.22%。对注意力权重可视化分析,结果表明,在短期预测情况下,时间注意力对于模型预测性能的提升更为重要。（5）最后,验证自适应时空注意力水位预测模型的中长期预测能力。在长江水位数据集上进行中长期水位预测,还验证了模型的迁移性,即在相似场景下的水位预测能力。实验结果表明,与原始LSTM相比,STA-LSTM模型的平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分误差（MAPE）分别降低了21.77%、31.15%、3.54%,R~2提高了9.69%。还分析了时空注意力在中长期预测时的分布情况,结果表明,在中长期预测任务中,空间注意力对模型的性能提升更为重要。本文所提出的自适应时空注意力水位预测模型具有通用性,可以在类似的场景下进行时空水位预测。同时,本文所提出的模型在水位预测中,预测性能显著提升,注意力机制的引入能够有效为模型的输入筛选更具价值的信息,对于实际应用也有着现实意义。