近年来，网格化分布式新安江模型（GXM）在洪水预报中发挥了重大作用，但在进行洪水过程模拟时，模型数据量与计算量巨大，GXM的计算时间随着模型预热期的增加呈指数增长，严重影响GXM的计算效率。因此，提出一种基于网格流向划分与动态优先级有向无环图（DAG）调度的GXM并行算法。首先，对模型参数、模型构件、模型计算过程进行分析；其次，从空间并行性的角度提出了基于网格流向划分的GXM并行算法以提高模型的计算效率；最后，提出一种基于动态优先级的DAG任务调度算法，通过构建网格计算节点的DAG并动态更新计算节点的优先级以实现GXM计算过程中的任务调度，减少模型计算中数据倾斜现象的产生。在陕西省大理河流域与安徽省屯溪流域对提出的算法进行实验，在预热期为30 d、数据分辨率为1 km的情况下，相较于传统的串行算法，所提算法的最大加速比分别达到了4.03和4.11，有效提升了GXM的计算速度与资源利用率。

水位预测是防洪预警工作的辅助决策支持。为了进行准确的水位预测，为预防自然灾害提供科学依据，提出一种结合改进的灰狼优化（MGWO）算法与时域卷积网络（TCN）的预测模型MGWO-TCN。针对标准灰狼优化（GWO）算法存在早熟停滞的不足引入差分进化（DE）算法，扩展灰狼种群的多样性；改进灰狼种群更新时的收敛因子和变异时的变异算子，以自适应的形式对参数进行调整，提升算法的收敛速度，均衡算法的全局与局部搜索能力；利用MGWO算法对TCN的重要参数寻优，提升TCN的预测性能。将MGWO-TCN预测模型用于河流水位预测，预测结果的均方根误差（RMSE）为0.039。实验结果表明，与对比模型相比，MGWO-TCN预测模型具有更好的寻优能力和更高的预测精度。

针对水文时间序列分析与决策中存在的数据质量问题，提出了基于滑动窗口预测的水文时间序列异常检测算法。首先基于滑动窗口对时间序列进行子序列分割，再以子序列为基础建立预测模型对未来值进行预测，并将预测值和实测值间差异范围大于预设阈值的序列点判定为异常。探讨了算法中的滑动窗口和参数设置，并以实例数据对算法进行了验证。实验结果表明，所提算法不仅能够有效挖掘出水文时间序列中的异常点，而且将异常检测的灵敏度和特异度分别提高到80%和98%以上。