为提高日径流时间序列多步预报精度，基于小波包分解（Wavelet Packet Decomposition，WPD）方法、象群优化（Elephant Herding Optimization，EHO）算法和极限学习机（Extreme Learning Machine，ELM）、深度极限学习机（Eeep Extreme Learning Machine，DELM）两种预测器，研究提出WPD-EHO-ELM、WPD-EHO-DELM日径流时间序列混合预报模型，并应用于云南省景东水文站日径流时间序列多步预报。首先利用2层WPD将日径流时序数据分解为4个子序列分量，达到降低日径流序列数据复杂性和不平稳性的目的；其次在延迟时间为1的情况下，采用Cao方法确定各子序列分量的输入向量；最后介绍EHO算法原理，分别利用EHO优化ELM、DELM输入层权值和隐含层偏值，建立WPD-EHO-ELM、WPD-EHO-DELM模型对各子序列分量进行多步预测，将预测结果加和重构得到最终日径流多步预报结果。并构建基于小波（Wavelet Decomposition，WD）分解的WD-EHO-ELM、WD-EHO-DELM模型和未经分解的EHO-ELM、EHO-DELM模型作对比分析模型。结果表明：（1）WPD-EHO-ELM、WPD-EHO-DELM模型对实例预见期为1～5d日径流预报的平均绝对百分比误差≤9.44%，合格率≥89.2%，确定性系数≥0.99，精度等级均为甲级，预报效果均优于WD-EHO-ELM等其他模型。其中预见期为1d－3d日径流预报的平均绝对百分比误差≤1.81%、合格率100%，确定性系数≥0.9996，预报效果最理想。（2）WPD-EHO-ELM、WPD-EHO-DELM模型能充分发挥WPD分解、EHO算法和ELM、DELM网络优势，表现出较高的预报精度和稳定性能，预报精度随着预见期天数的增加而降低。（3）模型及方法可为实现日径流时间序列多步预报和精准预报提供新途径。