变密度地下水流系统受水力梯度和密度梯度共同驱动,非线性强,数值模型计算量大,尤其在开展不确定性分析时需要的计算成本很高.常规的数据驱动机器学习方法只能对点监测信息进行模拟分析,不能模拟整个地下水流系统.本研究发展了变密度地下水流降阶模型,利用高斯过程模型对降阶模型的数值误差进行修正组成耦合模型.耦合模型既能克服高斯过程只能模拟有限监测点信息的缺陷,又能提高降阶模型对监测点信息的模拟精度.考虑二维剖面变密度地下水流案例,将渗透系数场设定为空间随机变量,采用基于全阶模型(FSMC)、降阶模型(ROMC)和耦合模型(GP-ROMC)3　种蒙特卡罗模拟方法进行不确定分析.研究结果表明:(1)ROMC能替代FSMC开展不确定性分析;(2)水头和盐度的平均相对二范误差与降阶模型维度的关系可用指数函数描述(决定性系数R2≥0.99);(3)GP-ROMC对监测点信息的模拟精度比ROMC高,GP-ROMC可有效修正降阶模型误差提高蒙特卡罗模拟的精度.研究成果可为地下水建模、不确定性分析、风险评估及参数反演等工作提供重要技术支撑.