水电开发对河流产生水温影响已成为流域生态安全研究的重要方向。传统水温模拟以物理驱动模型为主，虽然机理清晰，但存在数据需求量大、建模周期长、计算耗时高、参数率定复杂等局限，难以满足调度决策的实时性需求。以机器学习为代表的数据驱动方法具有强大的非线性拟合能力和快速预测优势，为水温模拟提供了新的技术路径。近年来，这类方法已应用于天然水温序列重建、水库下泄水温快速预报、分层取水设施效果评估优化及生态影响评估等场景，展现出良好的工程实用价值。本文梳理了数据驱动方法在梯级电站水温影响预测与调控中的研究与应用进展，分析了当前研究在数据质量、模型可解释性及泛化能力等方面面临的挑战，并展望了物理机制与数据驱动融合、多目标优化与实时调控的未来发展方向，以期为梯级水电水温调控的智能化提供参考