水资源是人类不可或缺的元素,精确的径流预测对水资源调度和环境质量检测管理具有决定性的作用。径流元素作为时间序列,在形成过程中受到自然因素、人为因素的限制和影响,呈现出强非线性关系和混沌特征。因此,如何有效的对径流序列进行预测,是水文领域的研究重点与难点。九龙江流域站点径流相关资料缺失较多,导致数据缺乏了连续性,无法满足径流时间序列研究的需要,对后续水质环境的研究产生了巨大的影响。因而,通过模型对径流序列预测研究也是不可缺少的。为了有效的预测流域内站点的径流量,提高径流预测的精度,本文围绕中国科学院城市环境研究所课题《九龙江流域水环境模拟研究》,以九龙江流域浦南站点监测的2008年到2018年共10年间径流量为研究对象,运用LSTM,GAN等深度学习相关技术建立径流序列预测模型和数据模拟模型。本文的主要内容分为以下几个:(1)本文分析了流域内径流特性,气象特征,以及气象与径流间的模型表达,为后续特征选取和建模做了基础研究;(2)在分析LSTM模型和BP模型的基础上,针对径流序列和部分气象数据的自相关性,充分利用BP网络的泛化能力和LSTM网络的时间序列处理能力,改进了径流预测模型,提出了LSTM-BP耦合的径流预测模型,设计了径流序列预测模型,确定了模型的结构和相关参数;(3)针对站点数据缺失严重的情形和时间序列的特性,在GAN网络的基础上,增加了LSTM网络,提出了GAN-LSTM耦合的数据模拟模型,设计了模型结构,确定了相关参数;(4)在Tensorflow仿真平台上对LSTM-BP径流序列预测模型和GAN-LSTM数据模拟模型进行仿真验证和分析。结果表明,LSTM-BP耦合的径流预测模型仿真结果和实际径流变化趋势基本吻合。RMSE平均为0.027,相较于LSTM、BP两种径流预测模型,预测精度更高,更加合理精准,仿真效果最优。通过GAN-LSTM模拟模型生成的数据,RMSE为0.168203,间接提高了LSTM-BP模型的预测性能。