针对传统LSTM模型存在的网络训练阻塞、泛化能力减弱、预测精度和效率低等问题，对模型结构和参数优化进行了改进。在结构上，在LSTM模型之前增加了多层结构的神经网络层。在参数优化方面，采用多层网格搜索法选择模型参数。以长江中游典型的高山湖泊洞庭湖为例，与传统的LSTM模型、BP神经网络和水动力学模型相比，改进后的LSTM模型在均方根误差的平均水位分别降低了58.80%、65.95%和44.14%。改进的LSTM模型比传统的LSTM模型所消耗的时间短62.12%，且明显小于流体力学模型。总的来说，改进的LSTM模型的整体性能优于其他三个模型。应用改进的LSTM模型分析了三峡水库蓄水对洞庭湖水位的影响。结果表明，三峡水库运行对不同湖区洞庭湖水位的影响具有明显的空间异质性。受影响最大的是城陵矶，其次是东洞庭湖鹿角站和西洞庭湖南咀站，南洞庭湖受影响最小。蓄水期间，东洞庭湖城陵矶站的水位平均下降0.44米，最大下降1.55米。鹿角站的水位平均下降0.22米，最大下降1.02米。西洞庭湖南咀站的水位平均下降0.27米，研究结果为快速准确预测三峡水库影响下的洞庭湖水位提供了新的手段，也为三峡水库优化蓄水策略提供了重要的参考依据。