利用数值天气预报(NWP)产品作为模型输入进行洪水预报，可以显著延长洪水预报的预见期。若直接将未经校正的预报降水数据用于水文模型，会引入额外误差，进而影响洪水预报精度及预警效果。为校正NWP数据的偏差从而提升洪水预报的准确性，提出一种Stacking集成方法对预报降水进行统计后处理，该方法分为2层，第1层采用RF、KNN、XGB、LGB、Catboost、GBM共6种机器学习模型对欧洲中期天气预报中心(ECMWF)提供的预报降水产品分别进行校正，然后在第2层构建RF模型将6种机器学习校正结果进行集成，得到最终的校正预报降水数据。在山东省大汶河流域的应用结果表明，该方法能够有效融合多个机器学习模型的优势，优于单一机器学习模型，校正后降水的均方根误差从13.75 mm降至9.33 mm

相关系数由0.41提高至0.78

相对偏差由-10.95%减小至-1.40%

同时更准确地反映了降水强度的梯度特征。