黄河下游洪水陡涨陡落，河床易冲易淤，因而水沙演进及河床冲淤演变情况非常复杂。现有数学模型对理论上尚未解决的诸多参数，多采用经验处理，缺乏理论基础。而黄河下游来水来沙条件极为复杂，且不同的河段表现出不同的水沙演进及河床冲淤特点，这些经验参数既使通过了特定河段及特定水沙过程的率定，当水沙条件改变或计算河段不同时，计算结果往往与实际情况出入较大，从而影响了模型预测结果的可靠性。神经网络能很好的模拟非线性水文过程，遗传算法能克服神经网络存在的易陷入局部最小点等问题。鉴于传统的数学模型对于预报黄河下游水沙的局限性，本文引入遗传算法和神经网络理论预报黄河下游的水沙变化。根据黄河下游各水文站的相对位置，利用上游站的流量或含沙量过程作为模型的输入，在考虑洪水传播时间的基础上，对下游的流量或含沙量进行预报。结果表明，所建立的模型对于预报黄河下游的水沙过程具有较高的精度，21个流量预报方案中，甲等预报方案有6个，占29％，乙等预报方案15个，占71％。21个含沙量预报方案中，甲等预报方案有2个，占10％；乙等预报方案有18个，占86％；丙等预报方案有1个，占4％。同时发现，模型的有效性与上下游站之间的距离有很大关系，在流量预报方案中，其中相邻站的预报方案均为甲等；在含沙量预报方案中，两个甲等预报方案均为相邻站间的含沙量预报。在理论研究的基础上，开发出的黄河下游洪水智能预报系统集成了理论研究的主要成果。论文还比较了神经网络的常规算法-BP算法和一种较新的算法-CC算法的预报效率。和BP算法需要预先设定网络结构不同，CC算法在计算过程中自动确定隐含层的层数和结点数，从而有效地解决了BP算法存在的“目标移动”和易陷入局部最小点的问题。以花园口站的流量和含沙量预报夹河滩站的流量和含沙量为例对两种算法进行了验证，其结果表明，二者均能实现较为准确的预报，BP网络在预报精度上要略高于CC网络，但CC网络在运算速度上要明显快于BP网络。CC算法具有的优良性能使其有可能在水文水资源领域获得更为广泛的应用。