近年来,我国城市化建设仍在不断推进,城区下垫面硬质化、城市“热岛效应”、“雨岛效应”等现象愈发严重,加之气候变暖导致极端降雨事件频发,从而引起我国众多城市发生严重的暴雨洪涝灾害,给城市社会经济和人民生命财产造成了巨大损失。在此背景下,快速准确地预测城市暴雨内涝积水空间分布信息,是减轻当前城市内涝灾害的重要手段。以往大多数研究通过构建传统水文水动力学模型进行城市暴雨内涝模拟分析,但存在模型运行时间长、计算稳定性差以及对资料要求高等问题,难以满足洪涝模拟准确性和时效性需求。目前,机器学习技术因其出色的数据分析与挖掘能力以及良好的适用性逐渐被应用于水利领域,已有部分学者使用人工神经网络对内涝点积水水深进行预测,极大提高了模型计算效率,但仅针对单个内涝点,无法为城市防洪、应急避险提供全面的信息支撑。因此,本文利用机器学习算法和前后处理技术,以大连市中心城区青泥寺儿沟排水分区为研究对象,针对城市暴雨内涝模拟存在的关键问题及其与机器学习交叉应用研究面临的技术难题,围绕传统水动力学模型、深度卷积神经网络模型和支持向量回归模型在暴雨内涝模拟中的适用性和应用效果展开研究,以期实现城市暴雨内涝快速、精准模拟,提升城市智能化管理水平,为城市内涝预警和应急避险工作提供科学的技术支撑与决策支持,也为机器学习在城市内涝中的应用研究提供一定的方向指引与理论参考。本文的主要研究内容如下:（1）本文以大连市中心城区青泥寺儿沟排水分区为研究对象,为开展基于水动力学模型、深度卷积神经网络模型和支持向量回归模型的暴雨内涝模拟研究,首先介绍研究区域概况,然后对研究区域的降雨、内涝点淹没水深、地形、土地利用和管网数据等资料进行收集与整理,为后续模型构建提供数据基础。（2）深度卷积神经网络内涝模型由数据驱动,通过挖掘并学习输入输出之间的特征关系从而达到模拟效果,因此需要大量训练样本。本文以大连市青泥寺儿沟排水分区为研究区域,构建基于水动力学的MIKE内涝模型,在进行参数率定与结果验证后,确定了12个内涝风险控制点为后续研究做准备,并对收集到的6场长历时实测降雨和6场设计降雨展开模拟,最终得到一系列淹没水深文件作为生成深度卷积神经网络内涝模型训练样本的原始数据。（3）本文基于深度卷积神经网络原理及降雨内涝之间的物理机制,对模型进行结构设计与输入输出设计。通过分析场次降雨特征信息划分训练集与验证集,并编写程序实现模型超参数优选。率定后的深度卷积神经网络内涝模型在验证集上表现出良好的模拟效果,其在模拟最大淹没水深和内涝空间分布方面与参考结果非常相近,各指标相对误差均在5%以内,空间准确性评价指标在0.85以上;且在模型运行时长方面取得极大提升,一次模拟仅需25秒,模型效率相对于MIKE内涝模型提高了数千倍。但是深度卷积神经网络内涝模型在模拟内涝风险控制点处淹没水深变化过程方面的能力仍稍有不足。（4）为弥补深度卷积神经网络内涝模型在模拟内涝风险控制点处淹没水深随时间变化方面能力不足的问题,本文针对内涝风险控制点构建基于支持向量回归的内涝模型,以实现对内涝高风险区的精确模拟和重点把控。本文重新设计并生成用于支持向量回归内涝模型的训练样本,并采用改进的非支配排序遗传算法,以纳什系数与均方根误差为适应度函数进行模型超参数率定。率定后的支持向量回归内涝模型实现了对内涝风险控制点淹没水深序列的高精度、高效率模拟,平均纳什系数0.92,平均均方根误差0.1m,平均模拟用时在1秒以内,弥补了深度卷积神经网络内涝模型在模拟淹没水深随时间变化方面的短板。以上两个模型相结合可为城市内涝的灾前预警、应急避险等工作提供更加高效可靠的技术支撑,也为提高城市内涝模型的创新能力、机器学习技术的应用水平提供一定参考。