水温是水环境中重要的影响因子,与河流生态系统、水生生物的生长繁殖息息相关。河道筑坝成库后,致使水温结构发生改变,特别是高坝大库建设,更为明显,因此对高坝大库垂向分层水温进行有效及精确的预测显得尤为重要。目前,库区垂向水温的预测大多基于以物理过程为驱动的数值模拟法,但该方法需要大量、长时序、连续的野外实测数据的支持,并且大多数实测数据难以获取。相较于该方法,基于机器学习的数据驱动模型可通过构建水温及驱动数据的映射关系,相较于以物理机制为基础的水温模型具有更少的数据需求,是未来水温模拟研究重要的发展方向之一。现有基于神经网络的水温模型多应用于表层水温的预测,缺乏对高坝大库垂向水温的模拟研究。因此,本研究基于互信息和人工神经网络的数据驱动方法,构建适宜于高坝大库的多层ANN垂向水温模型,并在澜沧江上典型高坝大库——小湾水库进行应用。理论上,有助于丰富和推动高坝大库水温模拟研究,同时可为小湾水库的运行调度及建设提供数据支撑,对维持流域河流健康、保护库区生物多样性等有着现实意义。本研究的主要结论如下:（1）模型驱动因子的选择是决定模型性能的关键因素之一。互信息能较好地反应模型输入因子与水温之间的复杂关系,因此本文基于互信息方法对水温模型驱动因子进行筛选,以确定模型驱动数据集。因子筛选结果显示:影响表层水温的主要驱动因子有气温、风速、风向、相对湿度、水位、河道形态指数;3-50m水温层模型的驱动因子包括:表层水温模拟需要的所有驱动因子、对应层的上层水温以及该层的储水量;60-200m水温层模型驱动因子与3-50m层模型驱动因子基本相同,差别在于60-200m层不将风速作为模型驱动数据。（2）本文提出了一种基于串联神经网络的高坝大库数据驱动水温模拟方法。在互信息分析的基础上,利用ANN神经网络实现表层水温模拟,进一步沿垂向逐层构建多层ANN垂向水温模型,实现流域时间和空间上的垂向水温模拟。结果表明,水温模拟值与实测值拟合度较高,有较好的拟合关系,RMSE、MSE、MAE均在可接受范围内,模型性能达到较好的水平,多层ANN垂向水温数据驱动模型在澜沧江典型高坝大库——小湾水库的垂向水温模拟中有着较强适用性。（3）2017-2019年小湾水库为典型的分层型水库,2017年6-10月分层现象最明显,1-3月、12月分层现象较弱;2018-2019年7-10月分层现象最明显,1-3月分层现象较弱,模拟结果与已有研究一致,表明基于互信息和串联神经网络的高坝大库数据驱动水温模型具有较好的预测效果和可行性。