洪水作为流域管理和灾害防治的重点关注对象,在形成与发育过程中具有不确定性和差异性。充分挖掘大量历史洪水的过程特征信息,利用降雨因子获取当前洪水过程特征并揭示其与历史洪水类型之间的相似性,是实时洪水高效模拟预报与防洪减灾的新途径,对洪涝频发流域的安全和洪水资源化利用具有重要意义。本研究以淮河中上游长台关子流域的68场历史洪水为研究对象,以洪水特征指标为变量,识别历史洪水的主要类型和典型特征;利用人工神经网络（ANN）、随机森林（RF）、最小二乘支持向量机（LSSVM）等3种机器学习方法构建降水因子与洪水特征指标的定量关系,实现基于降水因子的洪水特征指标获取,并深入分析机器学习模型在洪水特征指标模拟上的适用性;最后引入隶属度判别函数对当前洪水过程进行判别分析,完成基于降雨因子的洪水类型预测。主要结论如下:（1）基于9个洪水特征指标可将长台关流域历史洪水分为4类,分别为:短时慢涨退瘦峰型洪水,占比39.7%;双峰型的洪水类型,占比16.1%;宽峰型洪水,占比30.8%;以及长时快涨退瘦峰型洪水,占比13.2%。时间上,流域洪水最早在3月份出现,10月后仍有发生,进入汛期之后,前期易出现第1、3类洪水,中期易出现第2、4类洪水,汛期末尾易出现第3类洪水。（2）机器学习方法对洪水形态指标的模拟效果最好（相对误差在13.24%～16.64%之间）,对洪水时间指标（相对误差在14.79%～21.69%之间）和洪水量级指标（相对误差在24%～32.71%之间）的模拟次之,洪水动力学指标模拟效果最差（相对误差在34.05%～129.30%之间）。随机森林的模拟效果随着洪水总量、洪峰流量、高流量历时占比、洪峰时间偏度、洪水变率、洪峰个数、涨洪速率和落洪速率等8个指标值的增加而增强;最小二乘支持向量机的模拟效果随着洪水历时、洪水变率、洪峰个数指标值的增加而降低,随着其余6个指标值的增加而增强;人工神经网络模拟效果随着洪水洪峰个数的增加而降低,随着洪水总量、洪峰流量、高流量历时占比、洪峰时间偏度、洪水变率、涨洪速率和落洪速率等7个指标值的增加而增强。（3）基于最小二乘支持向量机、随机森林和人工神经网络方法,利用降雨因子模拟洪水过程特征指标,结果显示:最小二乘支持向量机在3类机器学习方法中为最佳（相对误差、相关系数和均方根对数误差分别为25.83%、0.80和0.072）,其次为随机森林（相对误差、相关系数和均方根对数误差分别为35.25%、0.82和0.098）,人工神经网络最差（相对误差、相关系数和均方根对数误差分别为44.21%、0.79、0.10）。随机森林对高流量,涨落迅速的洪水类型模拟效果较好,而相对于低流量、涨落缓慢的洪水,最小二乘支持向量机相较于随机森林和人工神经网络对特征数据中的非线性关系捕捉更灵敏。（4）根据已划分4类历史洪水特征指标的频率分布构建隶属函数,建立洪水判别预测准则,其正确率可达91.2%,其分类标准可以很好地反映洪水类别情况并用于对预测洪水类型的判定。而基于随机森林、最小二乘支持向量机和人工神经网络三种机器学习模型所构建的降水-洪水特征指标关系所进行洪水类型判定的最佳结果分别为67.7%、70.6%和67.7%,其中最小二乘支持向量机效果最好,随机森林和人工神经网络效果相当。