本论文的研究目的包括：(1)系统地建立水文模型参数估计的数学问题表达并给出求解方法；(2)分析水文模型参数估计中存在的不确定性及其来源，并给出降低不确定性的建议。 论文应用理论论证与数值试验相结合的方法，将水文科学、数学、统计学、优化计算和计算机科学等学科的相关知识融会到水文模型参数估计及其不确定性的研究之中。论文系统地阐述了水文模型参数估计的方法，分析了导致水文模型参数估计结果不确定的原因。在前人工作的基础上，论文对水文模型参数估计方法进行了创新和发展。 综合研究内容，论文主要结论总结如下： 1.参数估计是流域水文模拟建模的重要环节，它将水文模拟的理论与水文模型的应用实践连接起来。由于对时间和空间尺度的依赖，概念性水文模型和分布式水文模型都有部分参数无法通过观测试验直接确定，而必须借助参数估计方法。 2.针对水文模型参数估计的特点，本文将水文模型参数估计分为两类。第一类参数估计假设模型最优参数存在且唯一，它将水文模型的参数估计问题转化为最优化问题，并应用有优化算法求解。第二类参数估计假设水文模型的参数是服从一个联合概率分布的随机变量，它将水文模型的参数估计问题转化为统计推理问题，并应用Bayes统计学方法求解。 3.论文给出了第一类假设下，将水文模型参数估计问题转化为最优化问题的一般步骤，并介绍了模拟退火算法、遗传算法、SCE-UA和SCPSO算法等求解方法。通过理论论证与数值试验，论文给出了：(1)模拟退火算法用于水文模型参数估计时，确定发生函数、退火时间表和目标函数数学变换的原则与技巧；(2)遗传算法用于水文模型参数估计时，不同遗传编码方式、杂交算子和变异算子组合的性能和效率，并在性能分析的基础上给出了遗传算法应用于水文模型参数估计时的算法配置建议；(3)SCE-UA算法的理论说明与作者的改进与算法参数取值方法修正，以及SCE-UA算法和遗传算法在水文模型参数估计中的性能对比分析。此外，论文还对比了模拟退火算法、遗传算法、SCE-UA算法在水文模型参数估计中的性能和效率，得出遗传算法优于模拟退火算法，而SCE-UA算法优于遗传算法。 4.论文提出了一个应用于第一类水文模型参数估计的优化算法SCPSO。这个算法集成了SCE-UA算法的多种群演化和以洗牌复形算法实现的种群间信息共享机制以及粒子群优化算法的协作式搜索机制。数值试验证明，SCPSO算法在应用于水文模型参数估计和求解演化算法标准测试函数时，性能和效率都优于SCE-UA算法。 5.论文给出了基于Bayes统计理论的水文模型参数区间估计的一般计算流程，介绍了泛化似然函数不确定性估计方法(GLUE)和Makov链MonteCarlo(MCMC)采样算法SCEM-UA两个求解方法，并通过数值试验得出：(1)GLUE方法在用于第二类水文模型参数估计时具有良好的稳健性，异参同效现象不会对其估计结果产生影响，但是GLUE方法的计算量非常大；(2)SCEM-UA算法的采样效率要远远优于GLUE算法，但是异参同效现象可能会导致SCE-UA算法无法收敛，或者导致参数估计结果有误。 6.论文将MonteCarlo方法、局部敏感性分析(RSA)方法引入到水文模型参数估计的不确定性研究中来。通过理论分析和数值试验，说明并探讨了第一类和第二类水文模型参数估计中不确定性的原因，并提出了降低不确定性的建议。