由于极端气候变化和城市化进程加快等原因导致城市内涝问题日益严重。城市排水管网作为主要的城市泄洪途径,管网的排水状态和城市内涝的发生发展密切相关,对排水管网排水状态如节点溢流量进行监测预测能够有效提高城市内涝的防灾减灾能力。传统基于城市雨洪模型(SWMM)进行排水管网状态监测预测过程中,对预报雨量进行离散而产生的偏差,使预测结果存在较大误差。本文针对该问题,综合SWMM模型与BP神经网络技术,建立不需要对预报雨量进行离散的SWMM耦合BP神经网络的城市排水管网状态监测预测模型,提高城市排水管网节点溢流监测预测的准确性。主要研究如下:根据下垫面因子、排水管网概化数据以及汇水区划分结果等数据,建立基于SWMM的城市排水管网状态模拟模型。以监测的管网状态参数为训练样本,建立基于BP神经网络的城市排水管网状态预测模型。将两个模型耦合连接建立SWMM耦合BP神经网络的城市排水管网状态监测预测模型,对比分析SWMM耦合BP神经网络模型和单纯基于SWMM模型的预测精度。结果表明:在降水量较小的条件下,单纯基于SWMM的模型预测结果显著偏小,两个模型的精度都会随着降水量的增加而增加。SWMM耦合BP神经网络模型与基于SWMM模型的预测结果相比,均方根误差(RMSE)降低了20.23m~3,平均相对误差(MRE)降低了18.06%,平均绝对误差(MAE)降低了16.08m~3,SWMM耦合BP神经网络的城市排水管网状态监测预测模型优于单纯基于SWMM的城市排水管网状态模拟模型,提高了节点溢流监测预测的准确性。