近年来,受到全球气候变化的影响,极端强降水事件的发生频率和影响程度呈上升趋势,因此,构建有效的洪水预报模型便具有强烈的必要性。人工神经网络应用于水文相关的研究,如洪水预/警报等已经得到了充分的发展与认可。本文主要内容为：一是将集合概念导入人工神经网络,针对初始值扰动、样本重采样、网络结构扰动三方面分别产生集合成员,由简单平均、stacking平均和贝叶斯模型加权平均整合预报输出,综合考虑各种不确定性因素的影响,以构建集合洪水预报模型；二是探讨不同集合策略在两个面积与水系皆不同的集水区构建洪水预报模型时对于水文与地文因素的敏感性,并对洪水预报模型进行可利用评价。本文主要的成果和创新点如下：(1)在不同的集水区下,相较于单一神经网络模型,集合神经网络模型大大地提高洪水预报的精度,且不同集合策略的输出在不同集水区有较高的一致性,显示集合策略对水文与地文因子变化的敏感度不高(2)在众多集合策略中,以初始值扰动和简单平均操作最简单,龙泉溪流域、金华江流域洪水预报模型预报输出分别有16%-32%、10%-28%的提升；boosting算法重采样和贝叶斯模型加权平均的组合效果于龙泉溪流域、金华江流域则分别改进了22%-35%、12%-30%的预报精度,整体表现优于其他策略组合；(3)构建了可应用于作业预报的龙泉溪及金华江洪水预报模式,若辅以集合预报区间的上限考虑洪水可能极值,可应用于指导防灾工作。