【目的】本研究旨在探究TCN-BiLSTM耦合模型与传统LSTM模型在径流模拟预测中的性能，为洪水风险管理和区域水资源规划提供准确有效的径流预测模型。【方法】以北洛河流域为研究区，基于双向长短期记忆网络（BiLSTM）和时域卷积网络（TCN）建立一种新的径流预测耦合模型TCN-BiLSTM。利用相关性分析，筛选预测径流的输入因子，确定4种不同的输入方案应用于TCN-BiLSTM耦合模型和传统LSTM模型，每个模型分别预测1、2、3 d的径流量。采用平均绝对误差（MAE）、均方根误差（RMSE）和拟合优度（R²）来评估模型的预测性能。【结果】（1）TCN-BiLSTM耦合模型整体预测性能优于LSTM模型，TCN-BiLSTM模型R2达到0.91，高于LSTM的0.89。相比于LSTM,TCN-BiLSTM对于峰值和突变点的捕捉能力更强，对于波动大的复杂数据预测效果更优；（2）在针对未来1～3 d径流量预测中，随着预见期的延长，4种方案下TCN-BiLSTM和LSTM模型的预测效果均有所下降，相较于预测1 d，预测3 d的TCNBiLSTM和LSTM模型的R2分别平均下降了0.17和0.14,RMSE分别平均增大了4.59和4.40,MAE分别平均增大了1.26和1.31;（3）在4种输入方案里，日累积降水量和日径流量作为输入变量时，模型的预测效果最好。降水数据的加入使得TCN-BiLSTM和LSTM模型相较于单一日径流数据作为输入变量时，1、2、3 d径流量预测的R²分别提高15%、14%、6%和18%、14%和1%。【结论】TCN-BiLSTM耦合模型和LSTM模型R²均能达到0.85以上，TCN-BiLSTM模型R²较LSTM提高了2%。对比来看，TCN-BiLSTM模型在拟合洪水过程中表现更为优异，对于汛期的预测性能优于非汛期。输入变量对模型的影响较大，有效且高质量的气象数据能够提高模型的预测性能。