水文模型是水文学的核心内容之一，是揭示水文规律和解决水文实际问题的重要工具。当前，水文模型已经在水资源开发利用、防洪减灾、水库和大坝设计、城市规划、非点源污染和流域综合管理等诸多领域得到广泛应用。随着水文模型应用范围的不断扩大和深入，水文模型的用户不再局限于水文专业领域的人员，流域的管理决策人员和其他领域的科研人员对水文模型的需求也越来越迫切。　　水文建模本身是一件非常复杂和专业性很强的工作，其难点体现在模型结构确定和模型参数设置两个环节。在模型结构确定方面，水文模型种类繁多，从众多水文模型中选择一个或几个满足应用场景的模型需要用户对模型有较为清晰的认识;当现有模型不能满足应用需求时，往往需要对模型进行“定制”。模型“定制”需要用户明确水文模拟所需的子过程，并为每个子过程选择合适的算法。模型参数设置包括参数提取和参数优化两种方式，参数提取涉及大量预处理算法、工作流和软件操作知识;参数优化则要求用户指定参数的取值范围。水文模型建模过程中模型结构确定和参数设置依赖于多方面的知识，用户必须花费大量的时间、精力去掌握这些建模知识，增加了水文建模的应用难度。水文智能建模为上述问题提供了解决思路，即将水文建模过程涉及的建模知识加以形式化表达和推理应用，由推理机代替或辅助用户实现水文建模流程的自动化。现有的水文智能建模研究在模型智能选择方面侧重于考虑流域特征和数据可用性因素，忽略了影响水文模型选择的其他方面因素，例如，模型输出、时空尺度、时间步长、空间离散方式等;模型结构定制方面通常只涉及个别子过程和算法的选择，缺乏对水文模拟中其他常用子过程和算法选择知识的研究和应用;模型参数智能提取和参数范围设置尚处于空白状态;缺乏对模型结构确定和模型参数设置智能化的综合研究。　　为克服现有水文智能建模研究对水文建模知识利用不够充分而导致的建模智能化程度依然较低的问题，本文从以下两个方面进行了相关研究:　　(1)知识驱动下的水文模型智能建模方法体系　　本文将水文建模知识从内容上分为模型结构确定知识和模型参数设置知识两类。1）模型结构确定知识可细分为模型结构选择知识和模型结构定制（包括子过程选择、算法选择和算法耦合）知识。在本文中，模型结构确定知识综合考虑了模型输出、现有数据、流域特征、时间尺度和步长、空间尺度和离散方式等诸多因素，并以形式化规则的方式对模型结构确定知识、模型定制中的子过程和算法选择知识进行形式化表达;以语义网中资源描述框架的方式对算法耦合知识进行形式化表达。相应推理机的工作方式为:以正向推理的方式选择或定制合适的水文模型结构;以语义搜索和拓扑排序的方式进行算法的自动耦合。针对模型定制推理过程较为复杂的情况，提出了三阶段推理策略用以协调多个推理机完成模型定制。本文利用贝叶斯模型平均法将智能方法推荐的多个模型的预报结果进行集合，获得比单一模型更高的预报精度;2）模型参数设置知识包括模型参数提取和模型参数范围知识，以资源描述框架的方式进行形式化表达。模型参数设置推理机的工作方式为:以目标为驱动，通过反向搜索的方式构建参数提取工作流;以搜索方式查找待优化参数的取值范围;3）提出了“指定数据”和“不指定数据”两种建模模式，将模型结构智能确定和模型参数智能设置综合起来，实现了水文建模整体流程上的智能化。水文模型结构确定的智能化、模型参数设置的智能化和建模模式构成了知识驱动下的水文模型智能建模方法体系。该方法体系是可扩展的，其他水文模型的建模知识可以动态地集成到知识库中，并使用本文的推理机实现建模智能化。　　(2)原型系统的设计与实现　　结合J2EE、Web Service、工作流引擎、已有模型和算法库、集成建模环境和参数优化等技术初步实现了水文智能建模原型系统。使用该智能建模原型系统，用户通过人机交互界面明确建模需求，准备模型运行所需的各种输入，指定模型率定和验证期即可完成水文建模，尽可能地降低对用户建模知识的依赖。该原型系统的架构是可扩展的，可以根据需要动态地增加对新模型和模块的支持。　　最后，将水文智能建模原型系统应用于月水量平衡、日降水-径流模型、地下水位模拟和分布式水文模拟等四个不同的应用场景，对本文提出的知识驱动下的水文模型智能建模方法体系的可行性和原型系统的易用性进行了验证，得到如下结论:　　(1)本文提出的“知识驱动下的水文模型智能建模方法体系”可以充分利用水文建模环节的建模知识，从而提高水文建模的智能化程度。　　(2)以“知识驱动下的水文模型智能建模方法体系”为核心的水文智能建模原型系统具有较好的智能化程度和易用性，可以根据建模目的、现有数据和研究区特点等具体应用场景实现模型结构的智能确定和模型参数的智能设置，有效降低了水文建模难度。　　(3)知识驱动方法与集合预报方法相结合，可以充分发挥不同专家知识的优势，在保证模型结构合理性的同时，获得比单一模型更高的精度。