准确可靠的径流预测是水资源科学规划管理、合理开发利用的科学依据。在气候变化和人类活动催化的变化环境大背景下,水文一致性假设不再成立,传统的统计预测方法根基被破坏。通过学科交叉引入人工智能技术,成为对水文序列预测的全新路径。本文以渭河流域的实测径流为研究对象,针对单一预测模型的缺点,通过分析探讨耦合预测模型的耦合策略,并对耦合模型从不同角度进行优化,构建了准确、可靠和适用能力强的径流预测模型。取得的主要成果如下:（1）对渭河流域咸阳、华县两水文站的径流变化特征从趋势性、周期性和突变性的角度进行分析,阐述了径流时空变化的非线性特征,为径流预测方案的制定提供了基础。分析表明,咸阳、华县水文站的径流序列具有显著的缓慢递减趋势,且该递减趋势在一定时间内将持续;两站径流序列均有6个变化周期,且呈现相似的规律变化;两站径流在1969～1971年、1980～1981年、1985～1986年、1990～1997年以及2003年均发生了5次突变,突变同样呈现一定的时空传递规律。（2）针对咸阳、华县径流的非线性特征,将机器学习中的最近邻抽样回归（NNBR）模型和神经网络中的长短期记忆神经网络（LSTM）模型应用于咸阳、华县两水文站的日径流预测。结果表明,两种单一模型预测的确定性系数均能达到0.6以上,其中NNBR模型比LSTM模型预测稳定性更高,但LSTM模型对径流的综合预测能力更好。（3）针对NNBR和LSTM单一预测模型预测性能不佳的问题,采用经验模态分解（EMD）、互补集合经验模态（CEEMD）、离散小波变换（DWT）三种分解算法与NNBR模型、LSTM模型分别构建耦合预测模型,探讨了基于两段分解、序列化测试集分解和滚动递增测试集分解三种不同耦合策略下9种耦合模型的预测性能。结果表明,基于两段分解耦合策略的耦合模型虽然预测初期存在端点效应,但整体具有最好的预测效果;采用EMD信号分解算法构建耦合模型预测性能较差,而通过CEEMD、DWT两种信号分解算法构建耦合模型,对模型的预测性能有较大提升;基于LSTM的耦合模型比基于NNBR的耦合模型预测性能更好。（4）为了进一步提高基于LSTM耦合模型的预测性能,以模型预测过程中输入数据和模型超参数选取的环节为切入点,分别采用小波阈值法（WD）降噪、鲸鱼优化算法（WOA）优化参数提升耦合模型的预测能力。实例验证表明,实测径流降噪对模型预测结果的影响会因径流序列的不同而存在差异,WOA可以赋予模型自适应选择最佳参数组合的能力,将两种优化方法同时应用可以有效提高耦合模型的预测性能。基于两段分解策略所构建出的降噪-小波分解-鲸鱼优化-长短期记忆神经网络（D-DWT-WOA-LSTM）模型具有最佳的预测性能。