水资源是生命之源、生态之本。中长期径流预报在水资源统筹规划中发挥重要作用。但是气候变化等复杂因素影响径流形成,使径流过程愈加复杂,给水文预报带来了极大挑战,为了实现水资源的高效合理利用,需要不断改进中长期预报方法从而更好规划水资源。本文首先选取宜昌站,采用其月径流数据作为数据支持,在揭示其月径流特性的基础上,采用常规预测模型:考虑季节性因素的SARIMA模型,支持向量回归机SVR模型,BP神经网络,LSTM模型进行预测,并进一步提出现代统计方法:基于贝叶斯优化原理的BOA-EEMD-LSTM模型进行预测,对比分析证明所提出的现代基于机器学习的预测模型的高精度。最后在模型研究工作基础上研发中长期径流预报支持系统平台作为决策支持。研究工作取得的主要创新性成果如下:（1）研究长江干流宜昌站,对其进行月径流时间序列特性分析,综合利用Spearman秩相关系数检验法,Kendall秩次相关法,Mann-Kendall趋势检验法等分析出该水文站历年逐月径流量无明显趋势,历年各月径流量总体无明显趋势;采用MK检验,有序聚类法,滑动t检验法等方法得出显著突变点为在1981年1月和2004年12月;采用小波分析法得出历年逐月径流存在18个月的第一主周期,9个月的第二主周期结论,从而为后续非线性径流预测工作作铺垫。（2）采用常规径流预测模型进行分析,构建季节性差分自回归滑动平均模型（SARIMA）,支持向量回归机（SVR）,BP神经网络,长短期记忆神经网络（LSTM）对宜昌站径流开展预测研究,对比各个模型预测效果及适用条件。结果表明传统统计学模型SARIMA和机器学习模型LSTM预测结果确定性系数可达0.8以上,精度较优,但预测精度仍有待进一步提升。（3）目前中长期径流预报模型过程中仍存在模型参数优选主观性较强,天然径流时间序列噪声冗余等问题,为进一步提升预报结果精度,本文在上述LSTM模型方法基础上进一步提出了一种现代统计方法:基于贝叶斯优化算法（BOA）和集成经验模态分解（EEMD）与机器学习结合的中长期径流预测模型（BOA-EEMD-LSTM）。模型按照“优化-分解-预测-合成”流程开展预测研究。针对机器学习中超参数的选取费时费力的难题,本文使用了基于高斯过程的贝叶斯超参数优化算法,利用该优化算法可实现模型的超参数快速自动优化。同时,本文采用EEMD信号分解算法将原本模态混杂的径流数据分解为单一的子序列,充分利用序列信息使模型拟合效果得到进一步提高。最后,将本章所提模型与复合模型EEMD-BP,EMD-LSTM复合模型,与第三章常规预测模型等角度对比分析,结果表明BOA-EEMD-LSTM模型对径流过程曲线拟合较好,预报等级可达甲级,证明了BOA-EEMD-LSTM模型的优越性。（4）为提升中长期径流预报模型的工程实用价值,推进水文预报业务的数字化、自动化、信息化,解决目前水利信息化系统设计及开发中存在的二次开发难度大、安装部署复杂等问题,研发了中长期径流预报系统。系统采用了B/S架构,主要利用vue.js和springboot框架搭建,有效提高了开发效率,降低了系统安装部署复杂度,增强了系统的可扩展性,为工程研发人员提供了良好的人机交互页面。