水文要素模拟与预测一直是水文领域的重要研究内容。准确可靠的模拟与预测结果对减少洪涝灾害损失和水资源综合管理具有重要意义。由于水文过程的高度非线性、不确定性、时空多变性等原因,以物理机理为基础的传统模拟与预测方法的通用性较差,考虑地形、水工建筑物等影响因素的物理模型会十分复杂,模型精度很难达到要求。基于数据驱动的模型不需要了解水文要素的形成过程,搭建简单,具有较强的非线性拟合能力。但浅层数据驱动方法的学习能力有限,尤其对于多步长的输出。因此,本文采用更为先进的深度学习方法对径流和水位两种水文要素进行模拟与预测。目前,长短期记忆神经网络（LSTM）模型凭借其模拟时间序列的优势成为深度学习模型在水文领域的首选,相比过程驱动模型和浅层数据驱动模型,提高了预测精度。然而,单一的LSTM模型没有很好地区分历史不同时刻点的重要程度的差异性。因此,有必要研究模型组合以及优化时序特征影响力是否能改善模型在水文领域的应用效果。此外,考虑多步长输出之间的时序性时,LSTM模型要求输入序列与输出序列长度相同,限制了模型的应用。针对以上问题,本文将卷积核和注意力机制引入LSTM,构建了Conv-TALSTM数据驱动模型,应用于径流模拟。并提出了基于序列到序列（Seq2Seq）的多步长水位预测模型。最后将深度学习模型的模拟与预测结果与过程驱动模型、机器学习模型进行比较。具体研究内容及成果如下:（1）将卷积核和注意力机制引入长短期记忆神经网络（LSTM）,构建了Conv-TALSTM模型。其中,卷积核用于提取同一时间点上多维变量之间的相关特征,注意力机制用于提升同一变量在关键时间点的影响力。以韩江流域潮安站日径流为研究对象,基于Conv-TALSTM模型,分析了模型组件、模型参数和模型输入对径流模拟的影响。结果表明;Conv-TALSTM模型的判定系数（R~2）和纳什系数（NSE）均大于0.83,模型表现优于基础模型（Conv-LSTM模型、TALSTM模型、LSTM模型）;当输入数据与目标值相关性较强时,最佳时间窗和卷积核数目都较小,当输入数据信息较多时,需要更多的隐藏层单元;单独输入气象或水文数据,评价指标无明显差异,但以水文数据作为输入的峰值模拟更接近实测值,将两种数据相结合,模拟效果更好。（2）构建了WetSpa分布式水文模型和人工神经网络模型（ANN1）对韩江流域潮安站径流进行模拟,并与Conv-TALSTM模型比较。结果表明,Conv-TALSTM模型相比WetSpa模型和ANN1模型,各评价指标值有较大的提升。非汛期,Conv-TALSTM模型、WetSpa模型和ANN1模型的模拟误差都较小,都能较好地反应径流过程;汛期,WetSpa模型和ANN1模型的模拟误差相对较大,Conv-TALSTM模型较能准确地再现大洪水过程。（3）为能有效预测未来一定时间内的连续水位,提出了基于Seq2Seq模型的多步长水位预测方法。该模型使用一个循环神经网络作为编码层,将历史水位序列编码为一个上下文向量,使用另一个循环神经网络作为解码层,将上下文向量解码来预测目标水位序列。以流溪河为研究对象,针对未来6h、12h和24h分别建立了水位预测模型,比较了基于长短期记忆网络和门控循环单元（GRU）的Seq2Seq模型与LSTM模型的模型性能和计算效率。结果表明,当预测长度为6h时,各模型的NSE均高于0.90;随着预测长度的增加,预测精度降低;LSTM-Seq2Seq模型和GRU-Seq2Seq模型的精度受预测站点和预测长度的影响,但Seq2Seq模型的预测精度均优于LSTM模型;GRU-Seq2Seq模型的计算速度最快。（4）针对不同的预测长度,分别构建人工神经网络模型（ANN2）和支持向量回归模型（SVR）对流溪河水位进行预测。与Seq2Seq模型相比,ANN2模型和SVR模型的预测水位过程波动较大,且随着预测长度的增加,预测水位偏离实测值越严重;Seq2Seq模型在预测长度为6h时,预测水位曲线与实测水位曲线有很好的匹配,即使对于未来24h的预测,也能准确预测水位的涨落趋势。