准确的径流预测是流域管理部门实施防洪、抗旱以及水资源调度决策的重要依据。径流的形成过程同气候、人类活动等多种错综复杂的因素相关联,变化环境下径流数据呈现出高度非线性、随机性和时变性等特点,大量的冗余特征和噪声增大了径流预报的难度。在此背景下,构建高精度的径流预测模型既困难又关键。机器学习是水文领域建模分析的重要技术,为提升水文预报的稳定性和准确性,众多专家学者围绕数据预处理、模型参数优化等方面做了大量尝试。其中,特征选择的目标是从数据特征空间中筛选出最佳建模性能的特征向量（特征子集）,它决定了输入机器学习模型的基底数据。当特征向量一定时,提高径流预测精度的关键在于充分发掘有限样本的隐含信息,群智能算法在机器学习模型参数寻优问题上优势明显,能在短时间内找出更具代表性的隐含规律。此外,时频分析技术能从复杂的径流序列中提取隐含规律（高频扰动、中频波动与长期趋势）,针对各隐含规律的“分解-重构”建模,能在一定程度上消除各类隐含规律的叠加影响,从而降低建模的难度。以上三方面的改进,促进了水文数据建模性能的提升,但同时也存在特征向量与预测模型兼容性不佳,率定模型参数的方法良莠不齐,“分解-重构”建模的适应性分析不足等问题,阻碍了预测精度的进一步提升。为此,本研究以新疆克孜尔水库月径流数据为对象,从模型参数率定、特征选取和时频分析“分解-重构”建模三方面开展研究,主要研究工作和结论如下:（1）针对现有研究在应用群智能算法率定模型参数时缺乏一个有效研究范式的问题,提出机器学习预测模型参数率定方法论。该方法论有效集成了特征选择方法、群智能算法与机器学习模型。首先,采用滑动窗口方式,将时间序列重组为监督学习问题,再应用特征选择方法,确定特征向量;其次,根据各类机器学习模型参数优化的需求,进行样本划分以及群智能算法编码和适应度函数设计;最后,基于群智能算法的搜索机制,确定最优参数,获取相应的预测模型。通过实证分析揭示特征选择方法、机器学习模型的类型和群智能算法的实际作用与效果。结果表明,在提出的模型率定框架下,使用灰狼算法（GWO）分别率定后的BP神经网络（BPGWO）和支持向量机（SVMGWO）,其预测性能均优于传统的模型率定方式。（2）针对径流数据的高维度、小样本,特征间的复杂性和高冗余性,以及现有过滤式和包裹式特征选择方法与预测器脱节的问题,提出基于群体智能的嵌入式特征选择预测模型（EFS-SVMSI）。在机器学习预测模型率定框架中,EFS-SVMSI以特征-超参数混合编码方式替换原有的参数编码方式,实现特征和参数的自适应同步优选。针对标准群智能算法优化能力欠佳的弱点,分别探索三类常用算法改进方式（种群初始化改进,收敛因子非线性改进以及多算法融合改进）的适应性;此外,考虑嵌入式模型的特点,提出定向调优策略改进的群智能算法。仿真结果显示,在所使用的21种算法中,定向调优策略改进后的灰狼算法（DTGWO）构建的嵌入式模型预测性能最佳。最后,从预测性能和特征选择结果两方面对比了嵌入式预测模型与传统特征选择方法建模结果的差异。在预测性能上,借助投影寻踪综合评价方法,综合评价本文建立的57个单一预测模型,结果显示,嵌入式模型普遍优于传统模型。在特征选择结果上,根据特征选取的频率（嵌入式模型）或相关性（传统特征选择方法）将候选特征分为好、较好、一般和差四个等级,嵌入式模型与传统特征选择方法在“好”等级上一致,其余特征等级差异较大。嵌入式模型考虑了特征子集与预测器参数之间的兼容性,实现特征相关性、冗余度与机器学习模型参数三者之间的均衡,因此取得了更好的预测效果。（3）针对时频分析“分解-重构”模型建模时存在的争议,从数据分布特性角度,探索各建模框架预测性能差异的原因。结果显示,后验实验框架建模时,整体分解方式为建立拟合性能高、预测性能强的模型,提供了复杂程度低、代表性强的训练数据,取得了较好的结果,但该框架在实际工作中不能实现。预测实验框架建模时,并行-分步分解方式导致训练集和测试集出现显著的协变量偏移,训练集的复杂程度低、代表性较差,所以,建立的模型拟合性能强、预测性能差。两种改进“分解-重构”模型仿真结果显示,自适应预测框架建立的模型（AFEF-VMDSVM）在丰水期（实测流量值高于2×10~8 m~3）预测结果远高于单一模型,而枯水期较单一预测模型差;因此,在统计分析以上两类模型在年内各时段的预测能力的基础上,根据优势互补原则集成模型。集成后的模型的纳什效率系数NSE和合格率QR（20%）值分别为0.97和81.03%,较单一预测模型提升17.98%和21.4%;该集成建模方式,解决了长期以来单一预测模型汛期预测难的瓶颈性问题,可为渭干河流域水资源精细化管控和克孜尔水库管理工作提供重要的科学依据。