我国中西部山地中小流域普遍存在水文观测站点布设稀疏、径流时序记录残缺、下垫面空间异质性剧烈等典型缺资料困境，传统集总式、分布式水文模型依靠参数区域移植进行模拟，在地形起伏剧烈山区易出现洪峰失真、峰现时间偏移等问题；常规 CNN-LSTM 耦合网络仅提取一维气象时序特征，长时序推演易产生梯度衰减，且短观测样本下极易发生过拟合，难以适配无长期径流记录山区流域。本文以秦岭北麓黑河上游山区集水区为研究载体，构建一套适配缺资料场景的残差多尺度混合卷积 + 因果多头注意力 + 相似流域迁移学习 + 双模式时序数据增强一体化改进 CNN-LSTM 预报架构。研究创新构建地形 - 遥感 - 实测气象三维耦合输入张量，依托并行多尺度残差卷积分层捕捉海拔、坡度、植被、降水耦合产流空间分异规律；引入带因果掩码的多头注意力机制屏蔽未来时序信息，自适应放大暴雨、季节性融雪等致洪关键时段特征权重；针对支流径流样本稀缺问题，建立水文相似度筛选的跨流域迁移预训练体系，搭配时序平移、高斯扰动双重样本扩充策略缓解小样本训练缺陷。依托 2010—2023 年日尺度星地多源水文数据集完成模型训练与验证，全域完整观测流域测试集纳什效率系数 NSE 可达 0.916，相对偏差 PBIAS 为 4.31%，均方根误差 RMSE=2.75m3/s；对比标准单层 LSTM、基础 CNN-LSTM 模型，NSE 分别提升 0.141、0.088。在上游无连续径流记录的缺资料子流域短序列测试场景下，结合迁移学习与数据增强的改进模型洪峰相对误差降至 7.3%，峰现时间平均误差缩短至 0.82 h，相较于未优化模型精度提升显著。本文提出的改进框架从空间特征提取、时序关键信息强化、小样本泛化优化三个维度突破传统深度学习水文模型局限，可为山区缺资料流域山洪预警、水资源精细化调控提供新型时空耦合预报技术支撑。