水文学是一门研究自然规律的学科，十分依赖于其观测样本，涉及众多的数据处理问题。以前的水文模型参数率定，是直接用海量洪水样本进行的，其结果往往造成某类样本所代表的某种特殊性被大量的其它样本信息的特征所均化，继而造成模型参数反映不出这种特性。所以有必要在预报之前对数据加以预处理，使之不影响模型参数的代表性。本文引入了多元统计工具的典型代表——聚类分析方法。它是一个正在蓬勃发展的领域。聚类分析所涉及数据挖掘、统计学、机器学习、空间数据库技术、生物学和市场学等多种领域。人们通过聚类分析，将数据划分为若干类，然后才在每一类中寻找模式或各种潜在的有用信息。根据福建沙溪口流域雨量站点的时空分布特性，即考虑降雨—径流在时间上的关联性以及流域中雨量站空间分布的关联性，以降雨量作为聚类指标，根据前期降雨影响因子按照时间序列取16个指标，在空间上根据流域雨量站的分布差异划为远、中、近三个层次，这样在每个洪水样本中提取了48个聚类指标。对同一个算例分别采用六种不同的聚类方法进行了比较，结果显示，采用类平均算法时，用来衡量聚类失真程度的相干系数C的值最大，表明使用该算法分类所确定的结构与数据间的拟合程度最高，且类平均法既是空间守恒又具有单调的性能，比较常用，效果也较好。在数据前处理过程中，利用matlab中的系统聚类法在模型参数率定之前将大量洪水样本按其属性进行分类；提取同类洪水资料特征，率定每一类的模型参数；在预报阶段，识别待测洪水的归属类，并运用该类的系统参数对洪水进行预报，得到了较好的效果。综上所述，本文研究的基于聚类分析的洪水预报模型具有良好的效果，在洪水预报领域拥有广阔的应用前景。