由于人工神经网络(ANN)具有强的学习能力、实时性的潜能、良好的鲁棒性、容错性和非线性等,因此在当前国内外众多领域,ANN技术的应用日益广泛,在水文预报的应用中也取得了丰硕的成果。本文首先阐述了ANN的发展和研究现状及其应用状况,并且,特别介绍了BP和 FIR神经网络;然后,分析了国内外在ANN的泛化能力、ANN在水文预报的应用和洪水演进上所取得的成果及研究现状。在这些基础上,提出了本文的内容,并取得了如下成果:针对ANN的泛化能力、学习时间和收敛性对训练样本的依赖,本文在大样本时,提出用聚类分析的方法来挑选样本,减少训练样本的数量以提高质量和收敛性,节省学习时间;对于像洪水这种特征的数据,在建立动态ANN(如FIR神经网络)模型时,用插值对样本作数据平滑,以减小系统误差,从而达到提高泛化能力的目的。并通过实例,验证了这些策略是可行的,取得了较好的预期效果。2. 针对在现有的水文预报中所采用的ANN,以BP网络为主,都是静态的网络,这与水文序列本身是一个动态系统相矛盾。为了更好的防洪避害,需要精度高实时的洪水预报。引入动态FIR神经网络于洪水预报,并和BP神经网络预报的效果进行了比较。结果证明:FIR神经网络的精度比采用改进算法的BP网络的要好,而且,模型参数少,收敛快。同时,在一定条件下,FIR网络可完全等价于BP网络,因而它具有更广泛的应用范围。3. 针对目前对河道洪水演进的研究方法主要是水动力学方法和水文学方法,它们对河道水情和地形资料要求太高,实施难,实时性差。引入对这些资料要求不高,并能很好辨识洪水演进机制的非线性动态FIR神经网络于应用中。而且,对于数据预处理,打破惯例,提出基于输出变量的不同的规格化处理方法。实例证明,基于FIR神经网络的洪水演进,精度高,实施容易,实时性好。表明它比BP网络更能辨识洪水演进的机制。而且,两种网络较好的效果,表明提出的数据预处理方法是合理的。最后对全文进行了总结,并对有待进一步研究的问题进行了讨论。