河川中长期径流预测是水文预报的主要内容,高精度的径流预测有助于水库优化调度、防洪抗旱、合理制定水电站发电计划,保证电站生产生活安全进行。在国内电力市场快速发展背景下,中长期径流预报可以作为电站参与电力交易时的决策依据,提高电站经济利益。河川径流是一个高度复杂的动力系统,气候特征、地理环境和人为活动均影响径流形成,使得径流过程难以准确预测。引入气象因素是提高中长期径流预测精度重要手段,是水文预报的研究热点之一。本文以澜沧江上游的乌弄龙水电站为研究对象,获取并解析流域内CFS气象集合预报数据、建立中长期径流过程深层神经网络模型、并耦合气象数据进行中长期径流预测,主要工作内容及研究成果如下:(1)提出了基于灰色关联分析法的气象因素筛选方法。考虑CFS集合预报的特点,从数据下载、解析和筛选三个方面,提出了完整的集合预报数据提取技术方法,获取集合预报提供的大气、降水、气温等数据;基于反距离权重法对研究流域的气象预测数据进行空间降尺度处理,得到流域的气象预测数据;通过灰色关联分析量化气象数据与径流过程的相关关系,计算气象因素与径流过程的关联度,筛选出关联度较高的气象因素,筛选后的气象因素涵盖了大气运动、降雨、湿度、温度等气象特征。(2)研究了基于深度学习方法的径流预测模型。基于深层神经网络,建立预测精度较高、预见期较长的径流预测模型,避免了传统径流预测模型复杂的参数选择问题。研究并使用长短期记忆模型和序列到序列模型进行预见期为1个月和12个月的径流预测模型。预测结果表明深层神经网络模型可以充分学习并记忆径流数据特征,建模方法简便,预测精度较高。(3)提出了耦合CFS集合预报数据的径流预测模型。基于岭回归方法耦合CFS提供的预见期为1~9个月的气象预测数据,建立径流过程模型并进行预测。预测结果稳定,精度大幅提高,满足水文情报预报规范的要求。最后对全文进行了总结,并指出了接下来的研究方向。