在全球气候变化及快速城镇化背景下,我国城市洪涝灾害频发。由于城市排水系统排涝能力有限,发生强降雨时地面积水无法及时排出,往往造成比较严重的内涝灾害。城市洪涝正在成为影响我国城市公共安全的重要瓶颈,如何有效开展城市暴雨洪涝预报研究成为城市水文科学研究的前沿课题。针对城市洪涝模拟预报对于计算速度及精度的需求,本文构建元胞自动机和深度学习耦合的城市洪涝预报模型,并利用数据同化算法结合实测数据来提高预报模型的预报精度。主要研究内容和成果如下:（1）基于元胞自动机（CA）的城市洪涝模型构建。发挥CA在时间离散及空间离散上的优势,将研究区域划分为一个个尺寸相同的小元胞,从模型的元胞空间、元胞状态、邻域类型、转换规则及边界条件等各组成部分着手,对CA模型的构建方法进行了研究。建立了 CA模型的产汇流转换规则,在充分考虑下渗、植物截留、雨水口排放等雨量损失的基础上,利用水量平衡原则进行产流计算,再利用曼宁公式修正的最小差异法进行汇流计算,并借助MATLAB工具集成产汇流过程,实现模型的构建。（2）基于元胞自动机-深度学习耦合的城市洪涝预报研究。提出深度学习和二维CA洪涝模型相结合的城市洪涝预报方法,利用CA洪涝模型模拟生成大量的洪涝数据集,为深度学习模型提供数据支撑;以降雨过程为输入,降雨过程中的城市易涝位置最大淹没水深及淹没水深序列为输出,构建基于卷积神经网络（CNN）的洪涝预报模型,实现根据降雨数据快速预报城市洪水最大淹没水深及淹没水深的变化情况。（3）城市洪涝预报模型的数据同化研究。利用集合卡尔曼滤波算法,将易涝位置实测淹没水深数据与CNN洪涝预报模型结合起来,对预报进行实时校正,以提高城市洪涝的预报精度。预报模型完成初次预报后,对数据集加以扰动并进行CNN的二次训练及二次预报,再结合易涝位置实测淹没水深数据按集合卡尔曼滤波算法进行融合得到校正的预报结果。（4）案例研究与分析。利用构建的CA和深度学习耦合的城市洪涝预报模型进行济南市主城区洪涝应用研究。结果表明,该模型可以较准确地模拟城市中的产汇流过程,多个元胞点的最大淹没水深模拟结果与实测数据误差较小,均在25%以下,平均相对误差为14.12%。进行易涝位置最大淹没水深预报时,预报模型精度较高,误差在10%以内;进行易涝位置淹没水深序列预报时,预报值与实测值的趋势比较接近,但在具体数值上与实测值有一定的偏差且存在负预报值的情况。经数据同化后,CNN模型的预报精度提升明显,预报值与实测值趋势基本一致,纳什效率系数均大于0.9,且具体数值的偏差也有了明显下降。利用CA进行城市洪涝过程模拟,解决深度学习过程所需要的大量数据集问题:利用深度学习建立降雨与最大淹没水深、淹没水深序列之间的映射关系来缩短城市洪涝预报需要的时间。通过将深度学习与洪涝模拟相结合,构建CA和深度学习耦合的城市洪涝预报模型,是未来城市洪涝预报的重要发展方向。