高精度径流预报是实现水库群优化调度运行管理的关键。然而,由于天气预报技术制约,基于产汇流机制的径流预报方法难以实现中长期径流预报。近年来,随着人工智能技术和深度学习理论的发展,基于数据驱动的径流预报方法得到广泛关注。数据驱动预报方法关注径流长期序列的内在关系,通过数理统计的方法深度挖掘数据的隐含规律来进行预测。这类方法建模简单,模型适应性和预报性能良好。本文开展了基于深度学习的中长期径流预报模型研究,通过分析气象因素与径流量之间的相关关系,利用最大相关最小冗余准则筛选了关键径流和气象因子,构建了耦合CFS集合预报信息校正的中长期径流预报模型。以三峡水库入库径流为研究对象,模拟研究结果验证了提出的模型具有较高的预报精度和可靠性,本文主要研究工作和成果如下:（1）研究针对基于数据驱动的径流预报方法对径流形成过程的解释性不强的问题,从NCEP上获取CFS全球气象预报数据并进行解析,采用反距离权重法插值得到研究区域气象预报结果,将最大信息系数引入最大相关最小冗余特征选择法中,结合一阶增量选择逐个引入候选因子,根据模型性能评估筛选最优特征子集,为中长期径流预报模型提供数据支持。（2）在气候环境和下垫面条件不断变化的背景下,将极限梯度提升树深度学习模型引入中长期径流预报中,构建了三峡水库月径流预报模型并与常用机器学习和深度学习模型比较分析,实例研究结果表明构建的模型具有更高的预测精度。同时,通过分析气象预报信息特性,提出一种径流预报结果校正的岭回归方法,结果表明,耦合气象预报信息的校正预报具有更高的预测性能,在气候变化下的中长期径流预报中具有更好的适用性。（3）基于组合预测的思想,构建了极限梯度提升树和高斯过程回归组合的混合概率预测模型,与单一预报模型相比,其具有更好的点预测性能,并可提供一定置信度水平下的概率区间;与常用概率预报模型对比研究结果表明,该模型预测精度更高,概率预报结果更可靠。研究结果可为水库中长期径流概率预报提供一种有效方法。