洪水灾害每年都给人民的生命和财产造成重大的损失,成为制约国家经济建设和可持续发展的主要因素之一。我国地域辽阔、河流众多、地形复杂、季风性气候特征显著,年降水量十分集中,防洪减灾任务艰巨。洪水预报作为防洪减灾的重要非工程措施之一,在流域防洪减灾中起到了非常关键的支撑作用。构建预报精度高、适用能力强、计算简单且易于推广的洪水预报模型对提高洪水预警实效、应急管理水平以及降低人民生命财产损失具有重要意义。本文以我国桓仁流域为背景,基于长短期记忆人工神经网络、深度学习堆叠架构和数据整合技术,构建了不同输入因子条件下的不同预见期LSTM洪水预报模型,比较了不同输入下单输出和多输出LSTM模型的预报效果。主要研究内容及成果如下:（1）为分析数据整合对LSTM模型预报精度的影响,本文构建了仅输入降雨的单输出LSTM洪水预报模型和基于数据整合的单输出LSTM洪水预报模型,并将二者与新安江模型的预报效果进行比较。首先,通过对比三种模型整体的纳什系数和相关系数,发现在仅输入降雨时的单输出LSTM模型预报效果比新安江模型差,经过数据整合后LSTM模型的预报效果得到了较大改善,且好于新安江模型;其次,对比场次洪水预报洪峰、峰现时间和NSE,发现LSTM模型对洪峰预报偏低,但数据整合后的单输出LSTM模型预报精度能达到甲级标准。（2）为分析单输出LSTM模型和多输出LSTM的差异,本文构建了不同预见期下仅输入降雨的LSTM模型和基于数据整合的LSTM模型。通过比较相同输入条件下的单输出和多输出LSTM模型,发现仅输入降雨时多输出模型比单输出模型的预报效果好;数据整合后,由于模型输入因子中流量数据的连续性遭到破坏,单输出模型比多输出模型预报效果好;相同预见期下,经过数据整合后的单输出或多输出LSTM模型均表现地更好。（3）通过分析多输出LSTM模型在不同输入因子条件下预见期内各个时段的预报效果,发现在仅输入降雨时,模型在预见期内最后一个时段的预报效果最好,且在降雨预报信息可用范围内,随着预见期的延长预报精度越高,这是因为在模型输入因子的连续性没有遭到破坏的前提下,输入因子序列越长模型学习效果越好;在数据整合后实测流量对预见期内第一个时段的预报流量校正最明显,各种预见期下第一个时段的整体纳什系数高于0.89,对后续时段的校正效果依次降低。