径流是受太阳活动、大气环流、下垫面变化和降雨等诸多因素影响的一个随机变量,且各因素对径流的作用关系难以建立严谨的数学模型,因此径流预报是一个受多因素影响的非线性复杂问题。随着机器学习技术的发展,支持向量回归被广泛应用于径流预报领域,取得了有效的预报结果。支持向量回归的性能依赖于惩罚系数、不敏感损失系数和核参数的选择。传统方法对参数选择效率低,且主观性和随机性大,导致支持向量回归的性能不佳。为提高支持向量回归的性能,借助萤火虫算法进行参数动态寻优,建立了基于萤火虫算法的支持向量回归预报模型。萤火虫算法是一种群智能算法,因其优化模型简单、参数少和实现容易等优势,被广泛应用于众多工程领域。但是,该算法本身存在易陷入局部最优、过早收敛及寻优精度不高等缺陷。本论文以萤火虫算法为研究对象,以径流预测为应用背景,使用深度学习策略对算法进行优化,并将改进的萤火虫算法应用于中长期径流预测。取得的主要研究成果如下:(1)对深度学习方式进行改进,提出了最优粒子引导的单维深度学习萤火虫算法。为使最优粒子获取更多搜索机会,在种群每代进化过程中,算法为最优粒子分配一定的评估资源,进行固定次数单维深度学习,搜寻优秀的解,其它萤火虫依然保持标准的更新方式。12个基准测试函数的实验结果表明该算法优化性能得到了较好的提升。(2)对深度学习对象进行改进,提出了广义中心粒子引导的萤火虫算法。为加强种群间的信息交流,算法引入广义中心粒子概念,构造一个与所有粒子都相关的广义中心粒子。当所有的萤火虫完成标准的搜索任务之后,再由广义中心粒子引导种群进一步探索,以提高种群的收敛速度和搜索精度。12个基准测试函数和CEC2015复杂测试函数的实验结果表明该算法综合优化性能优于其它6种新近萤火虫算法。(3)融合上述的深度学习方式和深度学习对象,提出了深度学习萤火虫算法。为加强广义中心粒子的引导能力,首先采用随机模型取代全吸引模型进行种群进化,然后选择广义中心粒子作为深度学习对象,对其进行固定次数的单维深度学习,最后利用经单维深度学习的广义中心粒子引导种群进化。12个基准测试函数的实验表明,深度学习萤火虫算法优化性能得到了显著的提升。以陕西府谷县黄甫川水文站年径流量为研究对象,以实际径流值和预报径流值的均方误差的最小值为目标函数,建立基于支持向量回归的径流预报模型,将各种改进萤火虫算法用于支持向量回归核参数动态优化选择。实验结果表明,基于深度学习的支持向量回归模型取得了最佳的预报结果。