我国虽然水量丰富,但水资源在空间时间上存在着东南多西北少的现象,在时间分布上也存在着夏季多冬季少的季节性分布,因此研究我国河流流域时空分布就显得尤为重要,尤其是在水资源缺乏和洪水频发地区。但是,由于监控设施不完善,或区域内条件的限制,使得监测数据难以获取或部分缺失,造成水文模型难以构建或精度降低。本文采用数据驱动模型和迁移学习相结合的方法,对缺少气象资料的地区构建水文模型。首先,本文论述了水文模型在各方面的优缺点、少资料地区的主要问题、研究价值;接着,基于K-最近邻（K-NN）和SWAT模型,一方面利用SWAT模型验证径流预报,另一方面利用K-NN和SWAT模型模拟长序列水文数据;然后,研究了长短期记忆神经（Long Short Term Memory,LSTM）网络在径流预报方面的能力,分别是:LSTM网络与SWAT模型在径流预报的对比分析;LSTM网络参数对径流预报的影响;训练数据量对LSTM网络外延的分析;最后,基于迁移学习的LSTM网络结构体系的实现,论证了基于迁移学习的LSTM网络的体系的可行性、有效性。可以得到如下结论:（1）构建LSTM网络实现流域径流预报,对径流预报结果与SWAT模型对比分析发现LSTM网络的预报性能优于SWAT模型。（2）设计60种参数组合情景,探究LSTM网络中Time＿step、Batch＿size、Cell＿size参数对预报的影响,研究发现,Time＿step影响LSTM网络对周期性的学习,其值越大越能学到流域周期规律;适当的Batch＿size能够提高网络训练的效率,但是受数据量和迭代次数的影响不宜选取过大;Cell＿size通过影响LSTM网络表现力以及对细节的刻画,Cell＿size的取值取决于流域内的复杂程度,流域越复杂取值越大。（3）使用模拟数据研究训练数据量变化对LSTM网络的影响,可以发现,增加LSTM网络训练数据量能有效提高验证精度,且随着训练数据量的增加Time＿step、Batch＿size、Cell＿size这三个超参数对精度的影响降低。（4）使用迁移学习方法能提升网络对径流预报的性能,提升的多少取决于使用实测数据量,用到实测数据量越少对网络的性能提升越大;在金沙江流域的6种情景中使用迁移学习方法,LSTM网络在径流预报性能分别提升了1.5%、18.23%、16.15%、17.97%、23.03%、26.45%,提升最大达到了71.76%;在岷江流域5种情景中使用迁移学习方法,LSTM网络在经流预报性能分别提升了3.49%、6.82%、6.21%、13.77%、17.30%;在嘉陵江流域3种情景中使用迁移学习方法,LSTM网络在径流预报性能分别提升了2.54%、13.58%、99.12%,提升最大达到了457.26%。构建基于迁移学习的LSTM网络在径流预报能有效降低网络训练参数对实测数据的需求量,实现用较少实测资料达到较高的预报精度。