为了使数据驱动模型能够实现降雨径流过程的高精度连续模拟，本文提出了新型耦合数据驱动模型(基于偏互信息的输入变量选择、基于新型集成神经网络模型的出流量预测和基于K最近邻算法的出流量误差预测——PBK模型)。PBK模型有以下4个特点。

(1) 提出了基于滑窗累积雨量的降雨量候选输入向量及输入变量的分离式选择策略，并与基于偏互信息的输入变量选择方法联合使用，确保了输入信息的充足性和无冗余性。

(2) 提出了新型集成神经网络模型——EBPNN模型及其率定方法。通过NSGA-Ⅱ多目标优化算法和早停止Levenberg-Marquardt算法确定全局最优个体网络个数、各个体网络拓扑结构和网络参数。个体网络权重由基于AIC信息准则的权重确定方法确定。EBPNN模型在模拟精度和网络复杂度间取得了良好折中，精度高、泛化能力强、率定结果客观、受人为因素影响小。

(3) PBK模型不需要实时信息(如：预报时刻之前的实测出流量)，能够进行多步外推预报，实现了非实时校正模式下的高精度连续模拟，增长了数据驱动模型的预见期。

(4) PBK模型不需要进行流域状态变量(如土壤湿度等)的计算，仅需初始出流量就可进行出流量的连续模拟。敏感性分析结果表明，PBK模型对初始出流量不敏感，减小了初始出流量估计不当造成的不确定性。

本文在分析总结以往文献的基础上，归纳出两个传统非实时校正数据驱动模型(PB_R和PB_DR模型)，将半数据驱动模型IHACRES模型应用于次洪降雨径流模拟，并对IHACRES模型的汇流模块进行了改进，本文还将新安江模型产流模块与PBK汇流模块耦合起来，建立了半数据驱动模型——XPBK模型。本文在3个典型研究流域将3个数据驱动模型(PB_R、PB_DR和PBK模型)、3个半数据驱动模型(CLS、IHACRES和XPBK模型)及一个概念性模型(新安江模型)进行了应用、比较及敏感性分析。

模拟结果和敏感性分析结果表明PBK模型实现了多步外推的高精度连续模拟，增长了数据驱动模型的预见期，使非实时校正数据驱动模型与概念性模型的耦合成为可能。尽管PBK模型能够取得与概念性模型及其他模型类似的模拟效果，但其模型结构过于复杂，计算效率不高，如何用更为简洁的模型结构和计算方法来取得与其他模型类似的模拟效果仍是未来亟待解决的问题。