地下水资源在居民生活、工业和农田灌溉等领域都有很大的应用,对生产生活、经济发展起着至关重要的作用。对地下水水位进行有效预测,能为水资源管理提供有力支持。本文将地下水水位预测任务划分为短期预测和中长期预测,其中短期预测有助于及时了解水位短期动态变化,预测精度更高。中长期预测可以为决策者提供未来一段时间内的水位变化趋势,但更具挑战性。为解决地下水水位预测中数据的波动性、时空动态性等问题,本文提出了多模型融合的深度神经网络水位预测模型,并以黑河中游流域地下水水位数据为例,取得了较好的预测效果。本文提出了融合注意力机制的时间序列水位预测模型,并通过实验验证该模型相比于自回归模型、传统机器学习方法以及单一神经网络模型,在短期预测与中长期预测中都能得到较高的预测精度。为更加有效利用地下水水位的时空数据,本文进一步提出了基于时空注意力机制的地下水水位预测模型,利用多层时空注意力机制对地下水水位的时空动态性及外部特征进行建模。通过大量实验及效果评估,我们提出的时空注意力模型在均方根误差、平均绝对误差、决定系数三个评价指标上均取了较大提升。短期预测方面三个指标分别达到0.0754米、0.0952米、0.4053,相比于回归支持向量机方法平均预测精度提升了28.65%。在中长期预期方面三个指标分别达到0.0916米、0.1104米、0.3051,相比于差分移动平均自回归模型模型的平均预测精度提升了41.95%。融合时空注意力机制的神经网络模型,能有效实现地下水水位预测,预测精度较传统方法有较大提升,对地下水资源保护与管理有着重要意义。