水文气象系统是一种复杂的、动态变化的循环系统。受到气候变化、人类活动等多方面的影响,水文气象过程在时间上表现出非常明显的非线性、非平稳性、多尺度和随机性等非参数统计特征。深入研究水文气象要素的演变规律,掌握变化趋势,提高预测精度,有利于水资源管理、气候评估和环境保护。因此,基于非参数统计的水文气象要素的变化趋势分析及其预测研究具有理论与应用研究意义。论文系统研究了国内外关于非参数型趋势分析方法的研究进展,包括MannKendall（MK）方法、ITA（Innovertive Trend Analysis）和多重ITA方法。并深入分析了集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、循环神经网络（Recurrent Neural Network,RNN）和长短期记忆神经网络（Long ShortTerm Memory,LSTM）的组合模型的理论基础。结合它们在水文气象要素方面的应用现状,分析总结了这些经典算法存在的问题和不足,从而形成论文的研究重点。论文的主要研究工作和成果如下:（1）针对ITA方法的不足,提出了一种改进的趋势分析方法（Modified ITA,简记为MITA）。数值模拟分析了ITA方法,发现该方法的趋势类型检验结果和趋势显著性检验结果都与序列的长度和标准差有关。时间序列的长度越小或标准差越大时,ITA的趋势检测结果越差。基于ITA方法的思想,论文引入一个相对量作为平均趋势的指标,结合非参数型统计的自举法（Bootstrap）实现显著性检验,最终提出一种改进的趋势分析方法。蒙特卡洛数值模拟显示,改进后的MITA方法受序列长度和标准差的影响更小,而且在短时间序列的趋势显著性检验结果与MK方法的一致率要优于原始的ITA方法。（2）首次提出一种趋势稳定性分析（Trend Stability Analysis,简记为TSA）方法。此方法是基于多重ITA方法的思想,在MITA的基础上设计了一个量化趋势稳定性的数量指标,借助自举法完成了趋势稳定性的显著性水平的非参数检验方法。（3）将所提出的MITA和TSA应用于锡林河流域内涉及降水、气温和径流共9个水文气象要素序列,分析了它们的变化趋势及稳定性,并验证了方法的有效性。得出流域内一系列相关的水文气象要素数据的趋势及其稳定性的详细结论。（4）建立水文气象要素长期预测的EEMD-LSTM-PSO组合模型。本模型采用“分解—预测—优化重构”的思想,引入自适应的EEMD方法将时间序列分解成若干分量序列,然后分别对它们建立LSTM神经网络模型进行预测,最后采用PSO算法优化重构系数,经过加权求和后得出最终预测。采用均方根误差RMSE、平均绝对百分比误差MAPE、相关系数R和纳什系数NSE共四个评价指标和投票原则进行模型评价。在锡林河流域的月尺度降水序列、黑河上游年径流量序列及印度全国年均降水量序列分别进行长期预测的实证研究。实际应用表明,论文提出的方法在降水和径流的长期预测是有效的。论文提出的改进趋势分析方法和稳定性检验方法能够有效地应用于水文气象要素的趋势分析。论文所构建的组合预测模型在水文气象要素的长期预测方面具有较大的推广前景。