近年来,随着人工智能的发展,机器学习算法更多的应用在水文信息挖掘和预测领域,但面对海量、多样、非结构化且质量参差不齐的水文数据,现有机器学习算法在挖掘效率和预测精度方面,仍有待进一步发展。论文在国家重点研发项目资助（编号:2016YFC0400910）下,对LSTM-KNN（Long Short-Term Memory-k-Nearest Neighbors）短期洪水过程识别预测模型、GWO-LSTM（Grey Wolf Optimizer-Long Short-Term Memory）优化算法、加权KNN的流域中长期径流预测算法、LSTM模型等现有机器学习算法进行改进和整合研究,以丹江口水库月入库径流和闽江下游潮流为例,验证上述模型的合理性和精度。论文主要工作内容及研究成果如下:（1）LSTM-KNN短期洪水过程识别预测模型研究。首先利用LSTM基于降雨进行洪水特征预测,建立降雨-洪水过程关系,然后将预测结果整合作为KNN输入,根据历史洪水特征相似情况预测未来洪水可能的形态过程。以丹江口水库场次洪水为例,验证模型的可行性,结果表明,验证期准确率较随机森林（Random Forest,RF）模型提高25%左右。（2）GWO-LSTM中长期径流定量预测模型研究。结合GWO快速收敛特点,对LSTM的初始权重和阈值矩阵优化改进,使LSTM快速收敛,节省训练时间,提高预测效果。以丹江口水库月入库径流进行分析。结果表明:优化改进的GWO-LSTM模型验证期NSE平均值0.841,根据相关水文规范,合格率平均值82.8%。对比分析基于统计分析和物理成因两种因子挖掘方法,基于物理成因挖掘的预测因子预测效果较好,其NSE平均高出0.35,合格率平均高出20%。（3）加权KNN中长期径流定性预测模型研究。基于大数据分析理念,借助人脸识别思想,设计一种基于加权KNN的径流识别预测方法。通过加权KNN搜索历史相似气象因子预测径流类别,该方法具有进一步开发潜力和较好的应用前景。（4）LSTM数据规律性挖掘模型研究。结合LSTM模型“遗忘门”和“细胞”,过滤冗余信息和“记忆”有益信息,以闽江下游长序列潮汐数据为例,挖掘和预测其规律性。结果表明:逐日最高潮位预测效果较好,预见期1天的合格率平均高达80%以上,其中预见期3天,时间步长360天预测效果最好,其合格率为90.4%,NSE为0.743;逐月最高潮位和逐月径流预测效果不佳,究其原因,模型训练和预测精度,依赖数据样本。