在气候变化、快速城市化等人类活动的干扰下,城市水文规律不断发生变化,极端水文事件发生的频率越来越高,城市内涝问题也日益严重。降雨径流是造成城市内涝的直接原因,利用模型技术对城市降雨径流进行模拟预测,不仅能够辅助防洪基础设施的规划、建设,而且可以进行城市内涝风险预警,降低城市内涝造成的损失。由于基于过程机理的降雨径流模型建模复杂、训练耗时长,难以动态更新模型参数以适应环境的变化和满足城市内涝预警对时效性的要求。机器学习模型建模效率高、计算速度快,对非平稳性和非线性的水文过程模拟能力较强,已成功应用于江河流域径流预测。近年来,随着我国智慧水务建设的发展,城市降雨径流预测也逐渐进入大数据时代。研究基于“重庆市悦来海绵城市监测与信息平台”提供的降雨和径流数据以及长短期记忆神经网络（LSTM）,构建了一个对城市降雨径流适应性好的机器学习模型,用于城市降雨径流的预测,并以重庆市两江新区悦来新城为研究对象,验证了模型的有效性。主要研究成果如下:（1）基于LSTM构建了城市降雨径流预测模型,探究了降雨特征对LSTM模型性能的影响。研究结果表明,LSTM模型对不同类型的降雨事件有不同的适应性。其对于短历时单峰降雨事件的预测性能最好,NSE值为0.89～0.93,PE值为0.10～0.16;对于长历时且径流过程复杂的降雨事件的预测性能最差,NSE值仅为0.48～0.60,PE值为0.12～0.18;对于历时适中的双峰降雨事件,NSE值为0.76～0.83,PE值为0.14～0.15。主成分分析结果发现,场次降雨量、降雨历时、雨峰位置系数、峰值比例和平均降雨强度与LSTM模型性能有较强的相关性。（2）为了改善模型的预测性能,基于特征分析结果,综合考虑了雨型和雨量特征,结合One-Hot编码和K-Means聚类算法对降雨事件进行聚类,并基于聚类结果构建了K-LSTM模型。结果表明,对于单峰和双峰降雨事件,K-LSTM模型能够降低峰值误差,但对降雨径流过程的预测性能仅有小幅度提升甚至略有下降。其中,K-LSTM模型的PE值为0.06～0.14,比LSTM模型减小了0～0.06,NSE值为0.78～0.90,与LSTM模型相比,上下波动范围在0.03以内。对于径流过程复杂的降雨事件,K-LSTM模型较好地拟合了整个降雨径流的过程趋势,但是峰值误差增大。其中,K-LSTM模型的NSE值为0.79～0.83,比LSTM模型提升了0.23～0.31,PE值为0.27～0.28,比LSTM模型增加了0.10～0.15。（3）为了进一步提升模型的预测性能,研究通过增加输入驱动因子的类型和数量,探究在降雨事件和历史径流共同作用下K-LSTM模型性能的变化,并利用随机森林（RF）对不同时刻的历史径流数据的重要性进行评分,自动确定了历史径流数据的输入步长,且增强了输入数据的可解释性。最后,考察了RF-K-LSTM模型在多步预测中的表现。研究结果表明:1)单步预测时,RF-K-LSTM模型对降雨径流过程的预测性能优于K-LSTM模型,NSE值为0.84～0.93,比K-LSTM模型提升了0.01～0.10。但对于峰值流量的预测,根据具体的降雨特征而有所不同。对于单峰和双峰降雨事件,RF-K-LSTM模型的PE值为0.10～0.21,比K-LSTM模型增加了0.04～0.09;对于径流过程复杂的降雨事件,RF-K-LSTM模型的PE值为0.11～0.14,比K-LSTM模型减小了0.14～0.16。研究认为,对于单峰和双峰这类在重庆地区夏季常见的降雨类型,应该采用K-LSTM模型进行模拟预测,而对于在重庆地区春秋季节常见的径流过程复杂的降雨类型,采用RF-K-LSTM模型进行模拟预测更好。2)多步预测时,RF-K-LSTM具有良好的预测性能。预测步长为1～4时,RFK-LSTM模型的性能保持稳定。且该模型进行多步预测时,对径流曲线平滑的降雨事件的预测稳定性要强于径流曲线折点较多的降雨事件。