受气候变化和人类活动影响,地下水资源使用量的不断增多致使地下水超采严重,并引发了严重的环境问题。保护环境、保护地下水是整个人类社会重点关注的问题和研究热点。准确预测地下水水位变化可以为地下水资源管理提供更好的决策依据,有利于地下水资源的可持续性利用。基于混合模型的地下水水位预测可以综合考虑单一模型的优缺点及使用条件,从而有效的提高预测精度。本文基于灰色理论与机器学习方法建立了黑河中游地下水水位预测模型,并将其应用于地下水水位时间序列预测和时空缺失数据修复中。实验结果表明,基于灰色模型和机器学习方法(BP神经网络、RBF神经网络、SVM、GVM)的混合模型可以很好地预测黑河中游地下水水位的变化趋势和波动性。以新沟观测站点为例,所有的混合模型都比单一模型预测效果好,其中IGM-GVM混合模型的预测结果最好,均方根误差达到0.3161m,平均绝对误差达到0.2557m。针对黑河中游地下水水位时空数据缺失情况,采用灰色关联分析和机器学习方法混合模型完成了基于空间关系上的数据补全。以鸭暖张湾观测站点为例,混合模型比传统的克里金插值方法修复缺失数据效果更好,GRA-GVM混合模型的修复效果最佳,均方根误差达到0.2850m,平均绝对误差达到0.2607m。