本发明公开了一种基于深度学习和信号分解结合的润叶含水率预测方法，利用ReliefF方法从多源数据中筛选出与含水率最相关的特征作为模型的初始输入变量；然后，利用时间注意力机制对不同变量赋予动态权重，通过CNN提取有效特征作为GRU的输入，用于捕捉输入数据的长期时序依赖特征；同时，另外构建一个并行GRU，使用VMD对历史含水率数据进行分解作为GRU的输入，用于捕捉与含水率相关的非线性动态特征；最后，使用拼接层将两个并行特征信息融合为深层时空表征，并输入到全连接层网络中实现出口含水率的预测。本发明方法能够实现准确可靠的含水率预测，为操作人员提供有效的决策参考。