在全球气候变化背景下,干旱给中国的农业、生态、经济、社会和水资源管理带来了巨大的潜在风险,严重威胁我国的粮食安全与经济发展。准确的干旱监测与预测方案有助于灾害风险管理以及干旱监测预警系统的构建与发展,减少干旱的破坏性影响。干旱指数可较为准确地量化干旱灾害发生发展过程中的物理特征,广泛应用于干旱监测和评估研究中,但干旱指数适用性在不同的地理和气候条件下存在较大的差异,难以选取最适用的单一干旱指数用于实际监测,本研究在Thornthwaite和Penman-Monteith方法的基础上,选择在全球范围内广泛使用的标准化降水指数、帕尔默干旱严重度指数、自校准帕尔默干旱严重度指数、标准化降水蒸散指数,使用主成分分析方法提取上述7种指数与变体的第一主成分成分构建构建了一个多时间尺度的集成干旱指数,并对其适用性进行评估分析,以获取更准确与可靠的干旱评估结论,满足全球气候变暖背景下干旱监测预警的需要;在诸多干旱预测方法中,数据驱动模型是一种信息需求量小、发展速度快的预测工具,随着机器学习,特别深度神经网络（DNN）的发展,深度学习方法在干旱预测中显示出了强大的能力,并且在不同实际应用场景中均表现出比传统的整合移动平均自回归（ARIMA）时间序列模型更强的预测能力。然而,DNN模型在干旱预测研究中的适用性仍需广泛地评估,并且要针对研究目标进一步调整和发展建模方案,以适应地球科学分析的需求。本研究选取3个月、6个月、9个月和12个月时间尺度集成干旱指数作为预测目标,以站点气象要素和大尺度环流要素为驱动变量,建立干旱预测模型,分析评价传统的整合ARIMA模型以及不同深度神经网络模型（DNN）的预测效果。本研究的主要结论如下:（1）集成干旱指数构建的干旱指数在不同地理、气候条件与干旱系统下的适用性存在一定的差异,与这些单一干旱指数相比,集成干旱指数减弱了研究区域特征对干旱监测精确度的影响,可更准确地描述中国历史记录中的典型严重干旱事件,并且与中国各地的暖季土壤水分含量和入海口径流量序列具有高度显著的相关关系,极大地提高了中国干旱评估十分困难的干旱和半干旱地区的监测精度。同时,本研究展示了干旱指数标准化所用的参考时期对干旱监测与评估准确性的影响,并揭示了选择气象要素序列长期稳定无趋势的时段作为参考时期是准确干旱评估的必要条件。（2）DNN模型的总体预测能力优于ARIMA模型;同基于长短期记忆网络（LSTM）提出的传统LSTM预测模型（TLSTM）相比,改进的LSTM模型（ILSTM）通过预处理全连接层对预测因子进行非线性映射,能够自动剔除无效信息,提取高层次综合特征,可使预测序列和观测序列的相关系数提升0.01～0.11,均方根误差降低0.01～0.15,平均绝对值误差降低0.01～0.14;卷积神经网络（CNN）可提取影响干旱变化的大尺度环流信息,其与ILSTM的组合深度网络模型（CLSTM）可进一步使相关系数提升0.03～0.16,均方根误差降低0.01～0.16,平均绝对值误差降低0.01～0.14。CLSTM模型可应用于短期区域性干旱变化气候预测。