我国拥有相对较为丰富的水能资源,但水能资源利用率相对不足,通过对径流时间序列进行可靠的丰枯性预测可以协助决策供电方案,优化发电资源调配,从而提高水资源的利用率,同时对于防洪抗旱方案的制定都具备一定的指导意义。近年来,对于径流丰枯性预测的研究也取得了一些辉煌的成果,但是仍存在着以下需要解决的问题:（1）径流序列不具备明显规律性,需要进行序列分解,但是传统分解方法受端点值影响较大（2）现实中水文数据的数据量较少,不同分布的其他水文监测站点的数据难以利用。（3）实际生产中多使用经典机器学习算法进行建模,这些算法往往不能充分表示复杂的径流变化过程。针对上述问题,本文主要做了以下工作:1.提出了近似序列延展值替代序列分解方法用于径流序列分解。径流序列不具备明显的规律性,因此需要对径流序列进行序列分解来分离径流序列中的周期性因素和随机性因素。传统的经验模态分解算法的分解结果受端点未知值影响较大。通过使用傅里叶变换得到原始序列的近似序列,并对其延展得到未知值的替代值,使得分解的结果更贴近原始序列的分解结果。2.提出一种基于迁移学习和深度学习的直接径流丰枯性预测方案。该方案采用迁移学习方法结合长短期记忆网络或卷积神经网络建立模型直接对径流的丰枯性进行预测,模型流程分为循环训练和微调两个阶段。循环训练阶段首先将其他水文站点的径流数据按照相似度从小到大排序,之后每次将一个水文站点的数据和目标站点的数据进行域适应后输入模型进行训练。微调阶段将目标站点的数据输入模型进行微调。该模型充分地利用了其他水文站点的数据,使得深度学习模型能够在较少的数据下进行建模。3.提出一种基于迁移学习和深度学习的间接径流丰枯性预测方案。由于枯水期相邻月份之间相关性较高,变化幅度相对较小;汛期月份波动剧烈,变化较为复杂,所以需要进行汛期月份和枯水期月份的划分。该方案首先将一年之内的月份划分为汛期月份（5月～10月）和枯水期月份（1月～4月,11月～12月）,分别预测出所有月份的径流量之后再计算丰枯性,其中汛期月份采用迁移学习方法结合长短记忆网络或卷积神经网络进行建模,枯水期月份使用线性回归模型进行建模。汛期模型流程分为循环训练和微调两个阶段,基本与直接方案相似。该模型充分地利用了径流的年内变化规律,使得预测的目标更加细化,对于防洪预警更具参考意义。本文主要研究了结合迁移学习的径流丰枯性预测,提出了使用Fourier-CEEMDAN分解算法对径流序列就进行分解,结合transfer-LSTM和transfer-CNN两种迁移模型进行建模,分别以直接和间接两种方式对径流丰枯性进行预测,解决了径流序列预测中数据量少导致的深度学习模型难以建模的问题和传统分解算法的端点效应问题,同时细化了预测的粒度,对于提高径流丰枯性预测的精度有明显的效果。新的分解方法相比较于原始方法准确率提高了5%,迁移模型的直接预测方案相比较于传统模型准确率提高了11%,迁移模型的间接预测方案相比较于传统模型准确率提高了6%。