准确、高效地进行水文过程的模拟预测,对于水资源的保护与管理有着重要的意义。然而受多种因素的影响,水文模拟往往存在一定的不确定性,如输入数据、模型结构及模型参数等方面的不确定性。MCMC（Markov Chain Monte Carlo）方法是基于贝叶斯理论的参数估计方法,被广泛用于复杂、高维的水文模型的参数不确定性分析。本文基于MCMC方法,针对确定性水文模型和随机水文模型,提出两种不同的水文模拟不确定性分析方法。（1）融合AR（Auto regressive model）模型与MCMC方法的不确定性分析方法（AR-MCMC）,采用AR模型刻画模拟残差序列的自相关性,从而修正MCMC方法中的残差协方差矩阵,可有效解决MCMC方法中似然函数对确定性水文模型残差结构刻画不准确的问题,提高确定性水文模型的参数不确定性分析效果。（2）融合GEV（Generalized extreme distribution）/GPD（Generalized Pareto distribution）与MCMC方法的降水极值模拟及不确定性分析方法,基于GEV与GPD两种分布构建降水极值统计模型,并采用MCMC方法识别极值分布参数的概率密度空间,可有效改善水文长期预报中较少考虑随机水文模型不确定性的现状,分析降水极值的概率分布特征及其不确定性。根据以上两种方法分别对新疆提孜那甫河流域的融雪径流,以及北京、深圳和济南三个城市的降水极值进行了模拟预测及不确定性分析。通过综合评价两种方法在实际应用中的模拟表现,主要得到以下结论:（1）基于DREAM_ZS抽样算法的MCMC方法在模型参数的贝叶斯识别中行之有效,不论是对于确定性水文模型（SRM模型）还是随机水文模型（降水极值统计模型）,均能有效识别出模型参数的概率分布空间。所获得的最佳模型拟合效果较好,其中,SRM模型在识别期与验证期的纳什系数分别为0.84、0.86,各城市降水极值统计模型的相关性系数与确定性系数均普遍高达0.95,均方根误差普遍低于0.6,平均绝对误差普遍低于2.5。同时,所获得的模拟预测区间平均宽度适中,对观测数据覆盖率较高且区间对称性表现较好,可以有效表达由于参数不确定性导致的模拟预测不确定性。（2）针对模拟残差序列存在显著自相关性的水文模型,相较于传统MCMC方法,采用AR-MCMC方法可更准确、高效地进行水文模拟及不确定性分析。基于AR模型修正似然函数中的残差协方差矩阵,可以增加不确定性分析过程的收敛速度,提高MCMC抽样效率。此外,相较于传统MCMC方法,采用AR-MCMC方法进行SRM模拟及不确定性分析,可以获得更大的模型边缘似然值,模型具有更好的预测表现,且获得的径流量预测区间对观测数据的包含率更高、区间对称性更好。（3）在分析极端降水事件特性的研究中,融合多种极值分布函数与MCMC方法针对不同的降水极值序列进行模拟,有助于更全面地分析降水极值的概率分布特征及其不确定性。采用GPD获得的模拟值置信区间性质更优,不确定性更低;采用GEV得到相同重现水平的设计暴雨更大,用作指导防洪设施设计标准的制定安全性更高。同时,GEV与GPD在不同城市降水极值模拟中的拟合表现不具有一致性,对于北京、深圳,采用GPD模拟的拟合表现更好;而对于济南,采用GEV模拟的拟合表现更好。