在水文学研究中,过程驱动的水文模型受制于现实因素,可用输入数据和模型所需数据往往不能完美契合,在一定程度上限制了其应用。而基于数据驱动的神经网络模型具有良好的模型结构可变性和优异的性能,受到广大研究学者的欢迎。在“降水-径流”关系模拟中,径流可能受到过去的气象因素的影响,为了解决此问题,目前均采用了加长模拟时间步的办法。主流采用的人工神经网络(ANN)模型拥有极强的学习能力,但不能体现出历史水文气象因素对未来径流的影响力会逐步减弱这一事实。这不仅造成了模型泛化能力下降,而且违背了自然规律。为了解决这一问题并测试其模拟性能以及最佳适用条件,本研究应用了一种改进的神经网络——长短期记忆(LSTM)神经网络,在中国黑河上游流域的不同时间尺度进行了“降水-径流”模拟。通过与ANN模拟结果对比发现,LSTM神经网络径流模拟的纳什系数(NSE)可达0.8054,稍优于ANN的NSE值0.7843;但是月尺度模拟方面,ANN和LSTM的NSE值分别可达0.9077和0.8421。综合考虑模型泛化能力和鲁棒性,LSTM更适合日尺度模拟而ANN更适合月尺度模拟。此外,本研究还将神经网络模型与另一种基于过程驱动的水文模型(FLEX-Topo)进行了比较,发现神经网络模型也同样具有竞争力,纳什系数最大相差不过0.048。基于前文ANN更适用于对月尺度模拟的结论,本研究最后在月尺度上使用了ANN模型对未来多种气候变化的情景下径流不同的变化趋势进行了预估。研究发现在温度和降水增加的情况下,未来黑河上游水资源分布的不确定性会增加,这也为未来气候变化情景下的水资源管理提供了参考依据。