流域水文气象要素特征分析和非线性径流综合预报一直是水文学领域的重要研究内容,可为流域水旱灾害防治、水资源高效配置、库群安全稳定运行和科学优化调度提供重要决策支撑。然而,随着气候变化和人类活动的持续影响,极端复合天气事件频繁发生,水旱灾害风险不断加剧,流域水文情势发生深刻变化,对人类生活、社会秩序和生态环境造成巨大破坏,给水文气象要素演变规律研究和流域径流预报模型构建带来一定困难。为此,本文围绕流域水文气象特征分析和非线性径流预报中面临的关键科学问题,以雅砻江流域作为研究对象,采用现代统计学理论和智能学习方法,解析了流域水文气象数据长期演变规律和趋势,探究了气-海-陆数据驱动的流域非线性径流预报模型和误差校正方法,改进了单目标和多目标框架下径流区间预报模型。研究工作对揭示流域水循环过程演变特征,提升非线性径流综合预报精度,量化流域径流预报不确定性具有重要意义。本文的主要研究内容和创新成果如下:（1）为全面解析变化环境下的流域水文气象要素时空演变规律和特征,研究工作引入Mann-Kendall非参数检验法、R/S分析法、滑动t检验和Morlet小波变换,全面分析了雅砻江流域各个子区间近50年来的水文气象要素的年季趋势、突变识别和周期特征。结果表明,流域平均气温、平均降水和区间径流处于一种较为稳定的状态,出现反持续性的概率较小,其中平均气温上升趋势明显,未来趋势持续性较强;各个子区间水文气象要素数据序列均存在不同时刻的突变;全流域各子区间年平均降水、平均气温、区间径流在时域和频域均存在多尺度显著性周期,在小周期和大周期间不断振荡,时频关系密切。研究成果有助于揭示流域内在气象要素形成的物理机制和内在联系,为非线性径流预报模型驱动因子筛选提供科学依据。（2）围绕流域非线性径流预报模型构建中的关键科学问题,本文提出了基于皮尔逊相关系数初筛和随机森林降维的预报因子筛选体系,同时构建了气-海-陆数据耦合驱动的径流预报模型和误差校正方法。结果表明,本文提出的因子优选体系能够较好地降低模型输入维度,评判因子重要程度,GPR、LSTM和SVM径流预报模型能够准确地反映径流变化过程,其检验期确定性系数可达0.75以上,且各模型在枯水期的拟合效果均优于汛期。本文提出的VMD-AR误差校正方法相较于串并联耦合校正方式,能显著提升径流预报精度,可将检验期确定性系数提高至0.9以上,且对于汛期洪峰的拟合程度较高。气-海-陆数据驱动的流域非线性径流预报模型和误差校正方法能够较好地反映径流变化过程,提升径流预报精度,预报结果能够为雅砻江流域水文情势分析提供重要参考。（3）针对确定性径流预报中不确定性特征难以量化,传统区间预报评价指标存在局限等问题,本文首次提出了区间拟合系数指标,改进了考虑覆盖率-宽度-拟合系数的综合评价指标CWFC,并构建了基于RWPSO算法的单目标LUBE区间预报模型和基于NSGA-Ⅲ算法的多目标LUBE区间预报模型。结果表明,引入区间拟合系数后,流域区间预报的精确度和可靠性均有提升,预报区间宽度有所减小,实测值更靠近区间中值附近。将LUBE方法扩展至多目标后,区间预报效果提升显著,预报区间对于汛期洪水过程的覆盖率均可达90%以上,径流预报区间的拟合系数可达0.9以上,且得到的Pareto最优解集可为决策者提供更多优质参数选择,进而帮助其做出科学决策和合理规划。