洪水灾害是我国较为严重的自然灾害,已成为经济社会可持续发展的重要障碍性因素之一。在气候变化和人类活动的影响下,洪水演变机理及驱动机制发生显著的变化,从而增加了洪水研究中的不确定性。开展变化环境下洪水频率分析和预报中的不确定性研究,对于区域洪水风险管理以及有效规避洪水灾害有着重要的意义。本文以大渡河流域为例,分别从洪水频率分析和洪水预报两个角度入手,提出了针对各个阶段的洪水不确定性分析的技术框架。本文取得的主要研究成果如下：(1)提出基于贝叶斯理论的洪水频率不确定性分析方法,构建了基于Metropolis-Hastings抽样的贝叶斯MCMC方法来评估洪水频率分析中参数及设计值的不确定性。研究结果表明,贝叶斯MCMC方法可以有效的估计洪水频率线型的参数,拟合效果略优于传统参数估计方法。贝叶斯MCMC方法通过利用参数的先验信息得到参数以及设计值的后验密度函数,通过参数和设计值概率分布的形式表达洪水频率中的不确定性信息。此外,将贝叶斯MCMC方法得出的置信区间与传统Delta方法进行比较,发现贝叶斯MCMC方法得到的置信区间的宽度相对要小一些,置信上限与估计值之间距离大于置信下限与估计值之间距离,这种不对等性与实际更加接近,更能精准地估计洪水频率的置信区间。(2)提出基于广义可加模型的洪水频率非一致性分析方法。将时间、气候环流以及水库调度指标作为解释变量,利用三次样条差值法对广义可加模型参数和解释变量进行拟合。结果表明,大渡河流域洪峰流量存在非一致性的特征,基于气候环流和水库调度指标的非一致模型拟合效果最好。将各个模型50年一遇洪峰设计值与基于P-Ⅲ曲线求出的设计值进行对比,发现一致性模型与P-Ⅲ结果相差较小,其次是基于气候环流和水库调度指标模型,而基于时间的非一致模相差最大。传统的单一频率设计值的方法并没有考虑到气候变化及人类活动对洪峰流量的影响,存在一定的不确定性,在变化环境下,需要对大渡河流域的设计洪水进行校核与修订。(3)研究了新安江模型参数优选及参数不确定性方法。本文在传统的遗传算法(GA)、粒子群算法(PSO)的基础上将二者进行融合改进,得到GA-PSO算法,并比较了各方法的特点。通过比较发现,GA-PSO算法不仅拥有遗传算法全局收敛的优点,同时借助粒子群算法加快了收敛的速度,较单独使用两种方法具有一定的优越性。同时,引入GLUE方法,随机生成新安江模型的六个敏感参数在各自的分布空间上序列,并组成30000组参数组合,通过计算得到各场次洪水95%置信区间,置信区间基本包含了实测流量的过程,说明GLUE方法对于评价水文模型参数的不确定性是适合的。(4)构建了大渡河流域的贝叶斯预报处理器(BPF)和水文不确定处理器(HUP),针对非正态和非线性条件下的贝叶斯洪水概率预报的问题,将Copula函数与贝叶斯洪水概率预报模型相结合形成C-BFS,从预报结果和置信区间的各个指标可以看出,C-BFS模型比HUP和BPF模型的效果要好。C-BFS预报模型不要求输入的序列具有线性正态的特征,拥有更好的适用性和灵活性。通过以上研究,将进一步发展变化环境下洪水频率分析和预报不确定分析理论,并为大渡河流域洪水风险管理提供科学依据。