针对数值风暴潮预测模型耗时长及可操作性差的问题，基于“分解-预测-集成”的思想，融合变分模态分解算法(VMD)、“点-窗”采样模型、卷积神经网络(CNN)、长短期记忆网络(LSTM)及数值集成方法，构建了风暴潮组合预测模型。首先，采用VMD分解风暴潮增水时序数据，得到多个分量；其次，利用“点-窗”采样模型对分量数据进行采样，构建输入矩阵；之后，将输入矩阵输入到CNN-LSTM组合预测框架中进行预测；最后，集成各分量预测结果，得到风暴潮最终预测结果。实证结果表明，VMD-CNN-LSTM预测模型与目前广泛采用的单一模型和其他组合预测模型相比，具有更高的预测精度。为了将模型更好地运用于实际工程中，采用迁移学习方法，将大数据训练模型“迁移”到小数据领域，结果表明：即使新样本数据量较少，迁移后的模型仍具有较好的泛化能力。