伴随着自然和人为因素的双重作用，全球气候变暖日益加剧，使得水资源与水循环系统遭受着越来越严重的胁迫，这将加剧河川径流量的趋势性变化与极端水文事件的频次变化，从而增加区域和局地水文风险的不确定性以及水利工程设计的难度。因此，可持续性水资源管理工作亟需对气候变化条件下流域内的径流量进行长期的准确的预估。鉴于此，本研究以香溪河流域为例，在分析实际观测水文、气象变量变化趋势的基础上，在耦合模型比较计划第五阶段(CoupledModel Intercomparison Project Phase5，CMIP5)的典型浓度路径(RepresentativeConcentration Pathways， RCP)排放情景下，对基于偏差修正-空间解离技术(bias-correction and spatial disaggregation，BCSD)修正的大气环流模型(GeneralCirculation Models，GCMs)的数据进行统计降尺度，再应用生成的相应未来气候情景数据驱动逐步聚类水文推理(Stepwise-clustered Hydrological Inference，SCHI)模型，以预测多种情景下的径流量，从而探究未来气候变化对于水文水资源的影响，以期为管理决策的制定提供科学依据。论文的主要内容和研究成果如下:　　(1)分析了香溪河流域的实际观测水文、气象数据的变化趋势。年际水平上，降水量与径流量无明显变化趋势，而气温与蒸散发量则清晰地呈现出逐步增长的势态。在多个气象变量中，降水量对于径流量的影响贡献最为显著。　　(2)基于统计降尺度法，分别建立了统计降尺度模型(Statistic downscalingmodel，SDSM)和支持向量机(Support Vector Machine，SVM)模型，并验证、对比、分析其模拟性能。两模型对气温的模拟优于降水，其中SVM模型性能更优越。　　(3)在4种RCP排放情景下，利用SVM模型降尺度生成流域内的未来气候情景，并分析其结果。年内水平上，降水量在各情景下的峰值将多出现在6月，而7月和8月将明显减少，同时9月至12月相比过去将显著增加;气温的整体趋势较过去变化不大，数值上除了7月和8月略有降低，其余各月将普遍升温。此外，RCP8.5情景下的降水和气温在夏季均低于另3个情景，而在其余季节普遍高于另3个情景。多年代的尺度水平上，降水量总体随着辐射强迫的提高，变化也愈加剧烈，但各情景的变化趋势各不相同;气温在各情景下总体呈上升趋势，且上升幅度大致与辐射强迫的大小呈正相关。　　(4)为进行径流量预测，分别建立了SCHI模型与人工神经网络（ArtificialNeural Network，ANN）模型，并验证、对比、分析其模拟性能。SCHI模型在各方面均表现出更加优越的模型性能。　　(5)基于已获得的未来气候情景，应用SCHI模型对未来径流量进行预估与评价。年内水平上，流量高峰将由过去的7月变为5月，同时径流量在1月、3月以及9月至12月普遍增多，而4月及6月至8月将明显减少，其主要原因是由于未来对应时期的降水量多寡以及气温升降引起的蒸散发量变化共同导致的。年代际水平上，未来径流量的长期趋势性变化将随着温室气体辐射强迫的增多而越来越剧烈和复杂。