河川径流受到气候变化、人为活动以及下垫面等众多因素影响,呈现出非线性、混沌性和随机性等特性,给径流预测带来了极大的挑战。径流预测对于水库调度、防洪抗旱等具有重要的指导作用。科学、准确、及时的径流预报,不仅可以减轻汛期的防洪压力、减少洪水带来的损失,还能有助于科学规划、合理利用大自然带给我们的巨大水能资源,充分挖掘水资源带来的的经济效益和社会效益。因此本文就传统中长期径流预报方法对于波动性较大、前后相依性较弱的时间序列预测结果精度较低的问题,提出了基于变频模态分解的信号处理技术和循环神经网络技术相结合的组合模型,对径流采用“分解-预测-重构”的方法进行预测,并且还引入粒子群算法解决了神经网络超参数确定效率低的问题,实例研究表明,在汉口站的旬、月径流序列预测中相比于传统的方法而言精度都有所提高,具备在实际工程中应用的潜力。本论文的具体研究内容及创新性研究成果如下:（1）在数据处理环节,本文将原始径流序列当做随机信号进行处理,其具有非线性、混沌和随机性大且无序的特点,本文提出采用目前在信号处理领域较为先进的变频模态分解技术（Variational Mode Decomposition,VMD）来处理原始径流序列,研究结果表明,变频模态分解技术的分解效果好,分解得到的分量平稳、有序,且规律性强、波动性小,有利于后期建模。对于分解预测后的分量也提出了尽可能保留原始信号的特征、提高预测结果精度的加权重组方法,实例研究结果表明该方法能够很好地保留原始径流序列的各项特性。（2）本文对比了目前较为常用的循环神经网络（Recurrent Neural Network,RNN）、长短期记忆网络（Long Short-Term Memory,LSTM）、门控循环单元（Gated Recurrent Unit,GRU）在径流序列模拟的效果和预测结果的精度,通过研究发现,长短期记忆网络在同等条件下表现更佳,更加适合于径流模拟,因此本文选择该网络模型进行研究。同时针对神经网络参数设置采用试算法效率低且难以找到最优解的问题,本文引入了粒子群算法（Particle Swarm Optimization,PSO）来对模型参数进行寻优,同时引入回调函数机制来提升训练的效率。（3）将组合模型应用于实例研究中进行验证,利用变频模态分解技术对时间序列进行分解,得到不同的模态分量序列,并利用改进的长短期记忆网络基于分量序列进行训练模拟,将分量预测结果用K-means加权求和方法进行重组得到实际数据的预测结果,实例研究结果表明,预见期为10天时确定性系数达到0.965,相对误差百分比仅为0.071;预见期为一个月时确定性系数达到0.934,相对误差百分比仅为0.087,相比于LSTM模型、EMD-LSTM模型均有较大的提升,具备实际应用的潜力。