本发明公开了一种基于小样本学习和LSTM的缺资料地区径流预测方法。首先获取流域内与径流强相关的影响因子的时序数据，然后进行特征提取，构建特征和预测径流相对应的时序数据集；建立基于小样本学习原型网络和LSTM融合的径流预测模型，进行模型训练和验证；之后，输入影响因子即可对径流进行预测。考虑到缺资料地区数据缺乏的现状以及传统机器学习对大量标签数据的依赖，本发明使用数据驱动的深度学习策略，结合小样本学习算法，融合原型网络和LSTM以降低模型对于数据的依赖性，保证在输入较少训练样本的情况下，模型也能取得较高的预测精度，为缺资料地区径流预测提供了一种新方法。