流域水文预报是水文学研究领域的重要研究内容，对于水资源规划管理和可持续利用具有重要的支撑作用。在我国，独特的地理位置和气候条件决定了水资源时空分布的极度不均性，同时由于受人类活动和全球气候变暖的影响，当前的水资源时空分布特性及其演化规律正在发生深刻变化，特别是近年来随着我国大型水利枢纽工程的规划、建设和投运，流域水文时空变化特性日趋复杂，从而给流域水文建模与预报提出了更高的要求。本文围绕流域水资源开发及优化利用中面临的关键科学问题，研究流域水文建模与预报的先进理论与方法，研究工作对减低水旱灾害损失和实现水资源安全高效可持续利用具有重要的理论意义和工程实用价值。相关成果可在工程实践中推广应用，具有良好的工程应用前景。本文的主要研究内容和创新性成果包括：（1）针对集总式水文模型无法精细反映流域下垫面条件和流域水文循环各要素空间分布不均性，且难以描述水文系统特征相应的响应规律的问题，基于集总式新安江水文模型计算的基本原理，结合流域气候条件和下垫面时空变异规律，充分考虑流域下垫面空间分布的异质性和不同水文单元间的水平联系，将流域划分成若干个具有水平联系和垂向联系的栅格单元，并用严格的数学物理方程表述各栅格单元水文循环的子过程以及栅格单元间的水量交换关系，提出并建立了分布式栅格新安江水文预报模型。（2）基于两种典型的系统理论水文模型建模方法——神经网络和支持向量回归，建立了两种系统理论短期水文预报模型，研究结果表明，系统理论水文模型同样可以有效模拟流域水文系统径流过程的时间变化规律，支持向量回归模型表现出与神经网络模型相当的预报性能，有些典型条件下预报性能甚至优于神经网络模型，是神经网络模型的一种替代方法，同时，支持向量回归模型参数少，且相比神经网络模型建模步骤简单并具有较强地非线性拟合能力，具有良好的工程应用前景。（3）为求解水文模型率定的多目标复杂优化问题，提出了一种多目标文化混合复形差分进化算法MOCSCDE，MOCSCDE算法将SCE-UA置于文化进化的框架中，利用种群进化过程中提取的各种知识指导算法的搜索，提高算法的运行效率，同时考虑到SCE-UA中单纯形算子不能充分利用种群个体信息的不足，采用全局搜索能力强的差分进化算法替代单纯形算子，充分利用种群个体信息指导演化计算，进一步提高了算法的计算效率，为水文模型优化率定提供了一种高效的解决方法。（4）针对传统基于单一目标的水文模型参数优化率定方法不能充分全面挖掘水文系统不同动态行为特征的缺陷，将本文提出的多目标优化算法MOCSCDE用于集总式和分布式水文模型优化率定，有效避免了基于单目标优化率定产生的均化效应，显著提高模型预报性能，同时，将MOCSCDE算法应用于系统理论模型输入优选和模型参数优化，既可克服模型输入优选的难题，又能根据不同的水文特性自动优选不同模型结构，提高水文预报精度。（5）结合SCEM-UA算法分析了集总式和分布式水文模型参数不确定性和模型预报不确定性，同时首次证明了神经网络水文预报模型中存在的“过参数化”现象，并针对神经网络模型参数不确定性分析结果，提出了有效降低模型预报不确定性的方法，一定程度上提升了模型预报性能，提高了预报可靠性，并为全面评估模型预报性能提供决策依据。相关研究成果应用于国家科技支撑计划、国家973基础研究计划、水利部公益性行业专项等项目，为项目研究工作和工程实践运行提供重要的理论依据与数据支撑。