近20年来,随着计算机技术的发展,人工智能也迎来了新一轮的发展阶段。目前人工智能技术在计算机视觉、语音识别和自然语言处理等领域都取得了巨大的成功。而代表人工智能的深度学习网络作为一个强有力的工具,在其他学科如通信、机械、金融、自动化,甚至生物、化学、医学、水文学等领域都得到了广泛的应用。本文将人工智能技术应用到洪水预报领域,构建了两个基于人工智能的洪水预报模型,实现了对洪水过程的预测,可以为决策部门提供较为精确的洪水峰值和峰值到达时间,以减小洪水灾害造成的人员伤亡和财产损失。传统的洪水预报模型基于洪水形成的基本原理,将降雨量、土壤、植被覆盖面积、蒸发量、流域下垫面等自然因素进行量化和建模,因而模型中存在大量的参数需要人工率定,这通常需要专业的背景知识和工作经验。而目前基于人工智能技术的洪水预报模型只能进行短期预报,无法预测洪水峰值和峰值的到达时间。本文所提出的两个模型致力于解决上述的问题。本文首先对所研究的息县流域自2010年到2018年记录的降雨量数据和流量数据进行了处理,利用反距离加权法和线性插值法分别对缺失的降雨量和流量进行了补全;采用相关性分析法,研究了该流域的降雨量过程与流量过程的相关性,得到了息县流域中单位时段降雨量对流域出口断面流量的影响时长为175个小时,为模型设计提供了理论支持。受到传统洪水预报模型-时段单位线模型的启发,本文设计了原创的机器学习算法-卷积回归算法(Convolutional Regression based Machine Learning,CRML),并将其应用在洪水预报领域。该算法不要求训练样本保持相同的输入长度和输出长度,只需要输入长度的与输出长度保持相同的数量关系即可,这正好符合洪水过程历时时长各不相同的特点。为了避免非洪水过程对模型的影响,本文还设计了基于滑动窗口法的洪水过程提取算法,将提取出的洪水过程作为训练样本进行模型训练。经过实验验证,该算法在预测洪水峰值及其到达时间的准确率分别为90%和100%,满足洪水预报的要求。为了将更多的影响因素加入到模型中,本文基于卷积神经网络(Convolutional Neural Network,CNN)搭建了洪水预报模型。通过对流域网格化,可以得到地形-降雨量时空分布特征,再将历史流量过程作为趋势特征,加入到模型中。通过大量实验,确定了最佳的网络结构,并研究了预测时长对模型性能的影响。最终实验结果表明,该模型预测时长为24小时和36个小时具有较高的准确率,满足洪水预报的要求。