城市降雨径流过程模拟作为一种非工程手段,不仅能在工程项目建设阶段起到辅助规划、设计以及改造的作用,还能在工程项目运行阶段提供应急模拟、辅助决策以及运维管理等功能。要快速且准确地预测城市内涝风险,构建高精度、高泛化性以及对当地水文条件适应性强的降雨径流模型具有重要的意义。目前,对城市降雨径流的模拟主要采用过程驱动降雨径流模型。过程驱动模型不仅建模条件复杂、求解困难,且现有的研究方法难以提高模型参数的泛化性。近年来,随着我国智慧水务建设的发展,越来越多的城市利用传感器、物联网技术对城市水系统的参数进行监测,也为城市雨洪管理积累了大量的有效数据。为此,如何充分利用这些数据并挖掘其中有价值的信息,基于数据挖掘技术和深度学习理论,构建高精度、鲁棒性强且泛化性高的城市降雨径流数据驱动模型,预测城市降雨径流是一个值得探索的课题。论文以重庆市两江新区悦来新城生态城为研究区域,并依托“重庆市悦来新城海绵城市监测与信息平台”的监测数据,探讨了城市降雨径数据驱动模型的适应性,并通过对比过程驱动模型SWMM和构建的数据驱动模型的预测精度、运行效率和建模效率,验证了数据驱动模型的性能。本文研究的主要成果如下:（1）针对目前应用过程驱动模型SWMM模拟降雨径流时,数据交互困难、难以实现参数自动率定且普遍存在数据规模较小等问题,基于Python和Py SWMM库,耦合遗传算法实现了SWMM参数的自动优化率定。在模型参数训练期使用37场降雨事件进行同时率定,保证了模型的泛化性能,并在测试期使用6场降雨事件进行验证。结果表明,当使用较大规模数据进行SWMM参数率定时,虽然保证了模型的泛化性能,但是模型的预测效果欠佳,测试集中只有4场降雨事件的NSE指标大于0.5。（2）为了探讨数据驱动模型在城市降雨径流模拟中的适应性,基于深度学习和优化算法理论,构建了4种数据驱动模型;针对模型结构对预测结果的影响,采用网格搜索方法寻优得到适应本次数据集的4种模型的最佳结构。通过对各最佳结构模型进行训练和测试,结果表明,对于测试集中的6场降雨事件,整体上4种数据驱动模型的预测性能均优于SWMM。其中,RMSE、NSE和PE指标的改进率较为显著,并且LSTM的表现最佳。相同的迭代次数下,数据驱动模型的运行效率和建模效率分别为SWMM的6～23425倍和182～7822倍。但是与SWMM相同,4种数据驱动模型也主要对雨峰位置靠前、雨型以单峰为主且降雨历时较短和适中的降雨特征事件表现出较好的预测性能。（3）针对构建的数据驱动模型对数据样本特征分布仍较为敏感的问题,论文进一步以雨型对样本进行表征,并基于数据挖掘的层次聚类算法和时间动态规整算法,构建了耦合聚类算法的集成数据驱动模型。通过对降雨事件进行的分类和重构数据集,实现了样本特征的均衡分布,使数据驱动模型能更准确地学习“信息”,从而提高了其径流预测性能。对比单一数据驱动模型和集成数据驱动模型的预测效果,结果表明,NSE、RMSE和R2三个指标的最优值均出现在集成模型上,其中DTW-LSTM的预测效果最为稳定,测试集中除R41降雨事件NSE指标小于0.8,其他降雨事件均大于0.8。