在气候变化和人类活动的共同作用下,黄河流域的流域水循环发生了显著变化。尤其是黄河中游地区,产汇流状况复杂,加上洪水本身存在的不确定性,若只使用一套模型参数来对整个流域的洪水进行预报,将难以得到理想的预报结果。本文在“十三五”国家科技支撑计划项目“黄河流域水沙变化机理与趋势预测”(2016YFC040240203)的支撑下,选择有代表性的洛河故县水库及汾河上游静乐站控制流域为典型研究对象,构建F-K++洪水分类预报方法,对典型流域内的洪水进行实时分类,并在得到分类洪水的基础上利用蓄满-超渗兼容模型与LSTM模型分别进行预报。为了提高预报精度,采用蓄满-超渗兼容模型进行洪水预报,然后利用LSTM神经网络模型进行实时校正。研究的主要内容及结论如下:(1)F-K++洪水分类预报方法的构建为了解决目前洪水分类方法存在的不足,构建洪水实时分类方法对洪水进行分类,构建的F-K++洪水实时分类方法过程主要包括三个模块:样本处理模块、聚类分析模块、实时洪水分类模块,有效解决多维特征指标间的冗余性问题和k-means++算法最佳聚类数k确定的问题。并将分类方法应用于洛河故县水库及汾河上游静乐站控制流域。(2)蓄满-超渗兼容模型在典型流域的应用基于蓄满-超渗兼容模型对故县水库与静乐站控制流域分类后的洪水进行预报。洪水分类后,模拟精度有效提高。相较于不分类的洪水,分类后的洪水规律性更强,对应的模型参数能够更好地适合典型流域复杂条件下的洪水预报。(3)LSTM神经网络模型在典型流域的应用对故县水库与静乐站控制流域分类后的洪水使用LSTM神经网络模型进行预报,并将两种模型模拟的结果进行对比。两类洪水的模拟结果的相关系数都在0.8以上,Nash效率系数都在0.7以上,相对误差绝对值都在20%以内,预报结果达到了乙级预报水平。其中LSTM神经网络模型的预报结果要优于蓄满-超渗兼容模型的模拟结果,但是LSTM神经网络模型的预见期较短。(4)基于LSTM神经网络的实时洪水校正预报为了能够达到更好的预报效果,本文采用蓄满-超渗兼容模型进行洪水预报,然后利用LSTM神经网络模型以模拟径流误差序列作为输入项进行实时校正。故县水库与静乐站控制流域校正后的洪水预报精度有了明显的提升。