中小流域径流预测精度与实测降雨站点密度、分布及历史数据序列长短有关.为提高中小流域山洪预警预报精准度,本文基于图论重新定义了福建沙溪流域　2000-2014　年间具有显著降雨径流关系的小时级降雨-径流模型的数据结构,利用图神经网络构建＂端到端＂降雨-径流数据动态映射模型,通过图卷积神经网络模型(GCN)、图注意力机制模型(GAT)和切比雪夫图神经网络模型(Chebnet),对未来不同预见期的径流过程进行预测.以平均绝对误差(EMAE)为评价指标,对未来2　h的预测结果与长短期记忆模型(LSTM)、门控循环单元(GRU)和人工神经网络(ANN)的预测结果进行比较.结果表明,Chebnet和GAT模型对沙溪流域预测未来　1　h和　2　h降雨-径流过程的非线性数据拟合能力更好,相比LSTM和GRU预测精度提高了37.3%～64.71%;Chebnet模型对未来15　h内的径流预测效果较为稳定,在提高精度和适用性的同时,大幅降低了时效性的影响.本文对中小流域径流预报预警具有一定指导意义和参考价值.