水资源系统中的径流是流域水文循环的重要组成因素,可靠的径流预测对水资源管理、调度和高效利用具有重要意义。然而,径流过程是一个涉及到水文、气象等的复杂过程,呈现出非线性、非平稳性的特点。在此背景下高精度的径流预测充满了挑战,如何通过有限的数据资料来提高预测精度和预测稳定性,建立性能良好且具有鲁棒性的预测模型,成为了相关专业研究的热点。本文以汾河上静游站1956-2016年共61年和汾河水库站1958-2016年共59年月径流序列为研究对象,探究单一模型极限学习机（Extreme Learning Machine,ELM）、最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）和门控循环单元（Gated Recurrent Unit,GRU）的预测效果,应用改进的完备总体经验模态分解（Improved Complete Ensemble Empirical Mode Decomposition,ICEEMDAN）和变分模态分解（Variational Mode Decomposition,VMD）以及改进灰狼算法（Improved Grey wolf optimizer,IGWO）建立组合预测模型,并利用顺序月径流序列和单月月径流序列建立两种预测结构模型,对这些模型的适用性进行研究,为径流预测提供新方法和新思路。研究的主要内容及结果如下:（1）对汾河上游两个站点月径流序列进行非平稳性检验与分析,运用ADF（Augmented Dickey-Fuller）单位根检验法和 PP（Phillips&Perron）检验法,各月径流序列的统计量都大于5%临界值,定量描述了径流序列的非平稳性。（2）在单一模型中,深度学习模型可以更好的模拟径流序列的内部关系,相比机器学习中的浅层神经网络方法ELM和LSSVM,GRU模型测试期预测有更好的效果,三个指数均显示出深度学习模型的优越性。（3）在“分解-预测-集合”模型中,VMD和CEEMDAN与LSSVM模型进行组合,VMD方法较CEEMDAN分解方法组合模型的精度更高,VMD与CEEMDAN更能得到月径流序列蕴含的规律信息,VMD-LSSVM模型在训练期和验证期都在对比模型（CEEMDAN-LSSVM、EMD-LSSVM和单一 LSSVM）中达到最高精度。并且对VMD分解出来的各分量画出频谱图,找到各分量对应的主要频率分量和其他分量,在统计两种分量预测误差及权重对比中,主要频率分量权重大精度高,可以体现“分解-预测-集合”模型的优势。（4）对于双处理策略预测模型,降噪方法可以去除径流序列中的噪声,在此基础上再对序列进行分解,并组合深度学习模型进行月径流预测。基于ICEEWT方法的深度学习模型ICEEWT-IGWO-GRU,在NSE指标上比单一 GRU模型平均增加了 43%,且在汾河水库站得到合格率（qualification rate,qr）为97.22%,以及在上静游站得到qr为86.11%,分别对应水文情报预报规范中的“甲级”和“乙级”预测精度。（5）单月月径流序列预测模型相比顺序月径流预测模型有不同的序列结构,在预测效果方面,单月IGWO-GRU模型在顺序IGOW-GRU模型、单一 ELM和单一 LSSVM模型中获得了最大的相关系数（correlation coefficient,r）、纳什效率系数（Nash-Sutcliffe efficiency coefficient,NSE）和最小的均方根误差（root mean squared error,RMSE）值,且汾河水库站和上静游站预测得到的qr值分别在甲级和乙级内。