近年来,随着全球性的气候变化,城市内暴雨频发。落后的城市内涝防治手段与高速的城市化进程不匹配,给我国各大城市带来了严重的内涝灾害。目前主流的城市内涝预警系统是以城市雨洪模型作为理论基础,融合多种信息技术的集成系统。然而城市雨洪模型受基础数据资料不足、建模过程复杂不易实现、对实际城市内涝积水时序特征分析灵活性较差的影响较大;而另一种基于数据驱动技术的现有方法无法自适应不同的城市易涝地区,对不同易涝地区建立不同的预测模型会增加大量的资源和时间成本。因此,针对城市内短时暴雨过程中易发生内涝灾害的不透水地区,本文结合数据驱动技术和城市雨洪模型的各自优势,设计并实现了一种基于自适应城市内涝模型的积水预警系统。本研究的主要工作和成果如下:针对城市雨洪模型存在对实际城市内涝积水时序特征分析灵活性较差的问题,提出了一种基于混合神经网络的积水数据特征提取与预测方法。利用毫米波雷达传感器实时采集积水深度,将气象数据与积水数据作为输入时间序列特征输入混合神经网络,预测模型分别利用了门控循环单元与一维卷积神经网络的各自优势,实现积水的精确预测与内涝灾害的快速预警。实验结果表明,与其他主流方法相比,提出的方法在真实采集的积水内涝多维数据集中,具有更高的速度和精度。针对城市中不同易涝地区的积水预测模型泛化能力差以及积水成因的空间特征多样性问题,提出一种融合城市雨洪模型的自适应积水预测方法。该方法利用不规则无结构网格和缓冲区分析方法对城市的空间特征信息进行概化,划分为不同疏密等级的网格,从而降低城市空间特征复杂多样性。将传统的城市雨洪模型作为理论依据,采用城市内涝数学模型分析气象变化特征、城市地形地貌特征和排水管网特征,并转化为随降雨时间分布的径流时序数据。将其与积水深度数据、气象数据共同输入混合神经网络,实现对城市易涝地区未来积水深度变化的精确预测。实验结果表明,该方法良好地降低了城市空间特征的复杂多样性,有效地将城市的空间概化特征、气象特征与积水时序变化特征相结合,在原有改进的基础上进一步提高了预测模型的泛化能力和预测效率。最后,在上述研究成果的基础上,设计并实现了基于自适应城市内涝模型的积水预警系统。积水数据的可视化监控和后台管理系统采用前后端分离的架构技术。实现了一种高效的、高精度的基于自适应城市内涝模型的积水预警系统,为城市内涝防治决策提供了数据支持,保证了城市建设的平稳发展以及百姓的出行安全。