步入21世纪,我国城市化建设迅猛发展,硬地面积不断扩大,城市不透水率日益增加。当城市遭遇极端天气情况时,地表径流的增加会让我国仍处在不断探索优化中的城市排水系统与监测体系难堪重负,极易出现城市内涝等灾害情况。为了应对日益严峻的城市积涝及水环境面源污染等次生灾害,实现雨洪内涝的精准建模分析便是重中之重,因地制宜,精准定位,革新技术,合理优化,是当前城市综合水文水资源管控与水环境面源污染治理的关键。目前应用最为广泛的流域水文水质建模工具之一便是城市暴雨管理模型（SWMM）,运用精准的计算机技术,结合高效的人工智能手段,实现精准模拟与情境优化,有助于全面评价城市防洪能力,减少面源污染等次生灾害,完善雨洪管理机制。江西省抚州市金溪县是我国长江中下游地区的重要走廊,近年来屡次遭受严重内涝灾害,抚州市政府对于城市内涝灾害与水污染防治工作非常重视。本文以抚州市金溪县作为研究区域,提出基于土地利用类型智能解译的深度学习融合方法,以此探索城市汇水区的精细划分方式,在此基础上构建SWMM水文与水质模型,对汇水区域不同时间尺度降雨情境下的模拟效果进行分析与优化,为SWMM模型不同时空尺度下的应用提供更有针对性的优化调整方案。主要成果如下:（1）针对金溪县城市化进程中复杂下垫面的动态地类数据获取,本文针对性提出了城市土地利用类型智能解译的深度学习融合方法。通过对研究区域遥感影像的预处理,应用Mean Shift算法实现对具有相似空间特征的流域地类对象的初步分割。其中原始汇水区域图像样本使用U-net和Deep Lab V3+进行训练,Mean Shift+U-net使用Mean Shift的预训练图像样本进行训练。最后使用混淆矩阵来评估流域建模系统预测的适用性。与U-net与Deep Lab V3+等常规方法相比,Mean Shift+U-net在目标汇水区的地类智能解译实现了最好的预测精度和出色的地类一致性。且融合地类的简化混淆矩阵进一步表明,本方法对于估计半分布式城市流域建模系统的空间参数具有较好的适用性,这为后续SWMM的建模优化提供了思路,推荐使用Mean Shift+U-net,因为其在不透水地表特征分类方面具有很高的精度（0.9847）。（2）针对SWMM建模下垫面概化中汇水区划分与真实地类分布不一致,且在不同空间尺度城市汇水区复杂下垫面划分效果不佳的症结,本文利用基于Deep Lab V3+等深度学习手段构建的城市地类智能解译模型,融合调整同一子汇水区的不同地类的汇水关系,除自然地形外,充分考虑人为因素所造成的空间异质性,提出了基于地类和流向的城市汇水区精细划分方法,其对于不同空间尺度下的汇水区划分适用性较好。在整体划分方面,除自然地形外还充分考虑了人为因素所产生的空间异质性;在局部对比方面,三级子汇水区的面积大小、位置分布和地表流向更贴近实际。本方法不仅使得SWMM建模中子汇水区概化使用Voronoi法的常规思路融入了城市水文地类特征,能够获得更为真实的地表径流数据,高效准确的模型输入优化思路还具有较好的泛用性。（3）针对基于地类和流向的汇水区精细划分方法,本文进一步将其与传统Voronoi方法相比较,进行SWMM水文与水质建模效果的综合分析,并于金溪县进行水文与水质模块不同时间尺度降水事件下的情境建模与优化分析,同时结合LISFLOOD模型对实际应用场景进行了进一步的模拟效果验证。主要包含:通过对水文数据精度指标的模拟与验证,在不同时间尺度的降雨场景中,本方法下SWMM模拟结果的指标偏差均小于常规Voronoi方法,在实际场景应用中本方法提取的城区地类建模数据与汇水区精细划分概化结果,均能较好的应用于SWMM建模,更为真实地反映不同降水情境下不同空间尺度城区的排水积涝情况,为智慧城市风险应急管理提供重要决策依据;通过对四类典型水质数据的验证分析,在单一降雨事件下,本方法明显优于常规Voronoi方法下的SWMM模拟效果,四类污染物指标的模拟误差更小,且模拟结果显示地类与汇水区划分精度对于非点源污染负荷的影响较大,具备一定的指导意义。