受气候、环境、人类活动的影响,河川径流的形成机理与演变规律发生变化,对径流预测提出了巨大挑战,构建具有适应性的径流预测模型迫在眉睫。多学科交叉融合、机器学习技术与组合预测理论的发展,为径流预测问题提供了新的范式。汉江流域是南水北调工程的重要水源地,对汉江流域进行有效的径流预测具有重要的战略意义。本文以汉江流域的实测径流为研究对象,在兼顾模型预测性能与应用实际的情况下,提出了一套具有适应性的径流预测机器学习组合模型方法。本文的主要研究内容与成果如下:（1）提出并构建了一套基于大数据分析与信号分解方法下的径流数据预处理方法,从缺失值,训练集测试集分解、归一化等方面对径流数据进行深度挖掘,并提出了“分解-预测”策略,该套方法解决了以往“后报模式”中未来信息混淆的问题,将实测径流数据转化为更为客观的模型预测因子。（2）建立了基于变分模态分解（VMD）下的卷积-长短期神经网络（VCL）、长短期神经网络（VL）、粒子群算法优化下的支持向量机（VPR）、引力搜索算法优化下的支持向量机（VGR）4个集成模型,将不同的算法与模型进行集成,并与经验模态分解（EMD）与集成经验模态分解（EEMD）两种分解方法下的集成模型进行对比评价。实例验证表明,相较于对比模型,该四个集成模型具有最好的预测性能,是适用于径流预测的集成模型,可作为组合模型预测的基模型。（3）研究并搭建了 VCL-VGR、VCL-VPR、VL-VGR、VL-VPR四个组合模型,根据堆叠泛化（SG）策略对基模型的样本与特征进行了“再学习”,应用于实测月径流的预测中。结果表明,经堆叠泛化后的组合模型预测性能有了进一步的提升,且具有更好的泛化能力。通过对基模型筛选组合的两个约束进行分析,设定了基于纳什系数（NSE）之差的基模型筛选组合的阈值,有效的减少了运算成本。（4）设计并构建了一套机器学习组合模型滚动预测方法,用于汉江流域皇庄、黄家港、武侯镇站的实测月径流预测中,对比了组合模型与相应基模型的预测性能优劣,以及该套方法在汉江流域径流预测的可行性与适应性。