径流预测对于水资源管理、防洪安全有着重要意义,是水文领域的关键研究课题之一。机器学习模型的发展为径流预测提供了新的思路,其高效的预测性能和简单的模型输入使得基于机器学习的径流预测模型能够快速应用于实际预报工作,提供准确、可靠的预报方案。在机器学习模型研究初期,受监测技术不完善、可使用的输入因子少的限制,大多机器学习模型通常以自身历史输入为预测因子,基于径流统计规律构建单因子的预测模型;随着监测技术发展,模型输入因子类别多元化,基于径流成因规律构建多因子驱动的预测模型有了数据支撑,伴随降水、气温等气象因子输入,模型预测性能得到显著提升。然而,多因子驱动的预测模型仍处于研究阶段,在实际应用中面临多重挑战:模型训练受到数据、参数随机性等多个因素影响;模型预测缺乏成因物理意义,预测成果可信性和透明性不足。本研究使用渭河、汉江流域的日径流序列,构建基于机器学习的径流预测模型库,对比模型的预报可靠性,从计算成本、泛化能力和参数敏感性三个角度分析模型的易用性,并使用解释方法对模型预报成果开展归因研究。本研究取得的主要研究成果如下:（1）从统计特征、趋势性以及突变性分析流域的径流以及降水、气温和湿度等气候要素的变化规律,开展水文气象要素的相关性分析,完成模型训练样本的搭建,得出:两个流域径流的年际变化显著,年内分配不均,多年变化趋于平稳,汉江流域径流突变与降水突变相关性显著;降水、邻站径流和历史径流对于未来径流的相关性高。（2）对比了不同预测样本在两个流域的预测精度,得出:各个预测样本在两个流域取得较高的预测精度,不同驱动因子对不同流域预测精度的影响程度不同,在渭河华县站,邻站径流输入能够显著提升模型的预测精度,而在汉江石泉站,加入邻站径流后模型预测精度提升有限,而气象要素输入能够提升预测精度。对比不同预测模型在两个流域的预测精度,得出:在输入信息较少时模型不同模型预测精度相近,随着更多信息输入深度学习模型有着更高的预测性能,其中深度学习模型更能够学习到流域水文气象的成因规律。（3）从计算成本、泛化能力和参数敏感性三个角度评价模型在实际工作上的易用性,得出:深度学习模型相较于浅层学习模型泛化能力更强,但需求的计算成本更高;各模型均受到模型超参数和样本滞后时段长度的影响,参数敏感性很大程度地影响了模型迭代的预测精度和计算成本,其中SVR模型参数敏感性最强,在实际应用前需要确定模型最优参数。（4）使用模型解释方法对模型库在石泉站的洪水预报成果开展归因分析,得出:XGBoost、LSTM和Seq2Seq模型关注于邻站输入和气象输入,模型预报考虑了部分物理规律,而SVR模型更多关注于径流历史变化的自相关统计特征。根据XGBoost模型在石泉站的整个径流序列的预测成果开展归因分析,得出:石泉站、汉中站径流过程以及佛坪站的降水为主要驱动因子。其中,在枯水和平水期径流过程变化平缓,预测结果与历史径流相关性高,该因子预报贡献占主导作用;而在丰水期,邻站径流和降水等驱动因子贡献作用存在阶梯性提升,驱动因子之间存在共同贡献作用。