随着我国经济社会进入高质量发展阶段,城市化水平不断提高,水资源在新时代的供需失衡问题也随之加剧,水资源短缺已成为阻碍经济社会与生态环境协调发展的难题。科学评价并准确预测水资源承载力,对经济社会高质量发展、水资源合理开发利用具有重要意义。本文以郑州市和武汉市为研究对象,从水资源、经济社会、生态环境三个维度入手,构建水资源承载力评价指标体系,对两座代表城市的水资源承载力状态进行评价;构建机器学习预测模型,对两座代表城市的水资源承载力及驱动因素进行预测分析。具体研究工作如下:（1）水资源承载力综合评价及分析。建立基于水资源子系统、经济社会子系统、生态环境子系统的评价指标体系,分别采用层次分析和熵权法计算指标主观、客观权重,以基于最小鉴别信息的组合赋权法确定指标最终权重,结合VIKOR法对郑州市和武汉市水资源承载力及各子系统承载力进行综合评价。结果表明,郑州市和武汉市水资源承载力状态整体均位于临界承载与临界超载区间,近几年承载力逐步提升,趋于临界承载状态。（2）水资源承载力驱动因素识别与预测。为识别水资源承载力主要驱动因素,结合灰色关联分析法和斯皮尔曼相关系数,对水资源承载力影响因素进行相关性分析,筛选出水资源承载力主要驱动因素。为获得水资源承载力驱动因素未来变化趋势,将变分模态分解（Variational Mode Decomposition,VMD）算法与门控循环神经网络（Gated Recurrent Unit,GRU）相结合,以相关性高的人均用水量指标为例,作为VMD-GRU的输入并对其进行预测。以传统GRU模型、卷积神经网络（Convolutional Neural Networks,CNN）优化的CNN-GRU模型以及支持向量回归（Support Vactor Regression,SVR）模型作为对比。结果表明,VMD-GRU预测模型性能更好,拟合度更高。（3）水资源承载力预测研究。利用水资源承载力主要驱动因素对郑州市和武汉市水资源承载力进行预测,以粒子群算法（Partical Swarm Optimization,PSO）优化随机森林（Random Forest,RF）模型来预测郑州市和武汉市水资源承载力,以自适应增强（Adaptive Boosting,Ada Boost）模型、和传统RF模型作为对比模型。结果表明,PSO-RF的模型预测性能更好,可较好的用于水资源承载力预测。利用PSO-RF预测出郑州市2020～2022年水资源承载力、武汉市2021～2023年水资源承载力均处于Ⅲ级,对应承载力状态为临界超载。