近年来,由于城市化发展伴随着不透水面积的增加,使得雨水的下渗量降低、区域内水流的汇流速度加快。同时,一些城区的雨水下水管道设施老旧,设计排水量不满足当前需求,且存在雨污管道混接现象。多种因素的综合,使得许多城市每逢暴雨必淹,造成严重的生命财产损失。极端降水事件提高了政府和市民对城市内涝进行预测和管理的意识,如何降低城市淹水现象的发生频率、控制雨水管理不当带来的负面影响已成为国内外亟待解决的问题之一。本文利用机器学习与物理模型相结合的方法,从分类建模与回归建模两个方面开展城市淹水预警的深入研究,主要研究内容及相关成果如下:（1）面向城市径流预测的有效降雨因子的选取:通过考虑降雨-水深的时空相关性,提出了一种基于多输出神经网络水深预测的有效降雨输入维度选取方法。时空相关性分析包含两个部分,一方面,人孔间的水深空间相关分析表明研究区域中的人孔间具有很强的互相关性,故不对人孔进行分类,而是让模型的输出拓扑等于研究区域的人孔个数。另一方面,降雨-水深的时间相关分析考虑了降雨-水深之间存在的时滞性,可为后续的试算法提供降雨输入维度的取值范围。（2）基于二进制-反向传播神经网络（Binary Back-Propagation Neural Network,Binary-BPNN）的人孔水深分类预测:在时空相关性分析基础上,采用机器学习中的分类算法,构建了一种将物理模型模拟的人孔水深作为神经网络的训练数据源的混合型城市实时人孔水深分类预测模型,并通过四场实测暴雨对该模型的有效性进行了测试。结果表明,提出的Binary-BPNN替代模型在城市实时洪水预测上具有较好的结果,能提供满足实际应用需求的人孔水深分类预测。（3）基于反向传播神经网络（Back-Propagation Neural Network,BPNN）和长短时记忆神经网络（Long Short-Term Memory Network,LSTM）的人孔水深回归预测:在时空相关性分析基础上,采用机器学习中的回归算法,构建了BPNN与LSTM分别耦合物理模型的多人孔水深回归预测混合模型,并通过四场实测暴雨对LSTM与BPNN的有效学习能力及准确预测能力进行了测试与对比。结果表明,提出的LSTM和BPNN水深回归模型提取了358个人孔之间的非线性空间关系以及降雨和径流之间的时滞关系,能够有效调整神经元间的连接权重,提供较好的双排水系统人孔水深预报。