受多方面因素的联合作用，水文变化情势不仅表现出极强的随机性，具有广泛的不确定性变化特性，同时还存在着混沌、模糊和灰色等复杂特性，因此径流系统是一个高度非线性系统。国内外不少专家学者对流域径流非线性动力过程进行了大量的研究探索，期望从流域水文、气候特性、以及下垫面生态环境分析入手，探求可用于生产实际的中长期径流预报新方法，以指导水资源的合理开发和优化配置，从而为科学管理水利工程提供依据。本文以三峡流域宜昌站、寸滩站和武隆站的历年年径流和月径流资料为研究对象，为了挖掘隐含在径流序列中的周期演化规律和多时间尺度变化特征，综合利用逐步回归分析、小波分析、以及数理统计等方法，对三峡流域径流的周期性、趋势性以及洪水遭遇规律进行了系统研究，推求了各站点径流丰枯变化交替过程，并在此基础上，建立了中长期径流耦合预报模型。为了解决传统水文预报模型过分依赖样本质量和数量的问题，本文采用支持向量机和小波分析方法结合，建立小波支持向量机耦合预测模型，并针对模型参数选择，引入了改进的粒子群算法，优化了模型的全局搜索能力，提高了预报精度。该方法能够由有限的数据集求得决策函数，并在优化过程中保障求得的极值解即为全局最优解，实验研究表明，通过对比分析不同时间尺度输入下得到的不同模型的预测效果，利用前1~7个月的径流作为输入就能得到最优的小波支持向量机模型。鉴于水文序列中的噪声会加大水文动力系统的饱和关联维数使径流特性更趋复杂，从而影响预测精度，本文采用多尺度分析中的Daubechies小波对月径流序列进行小波分解，并使用史坦无偏风险阈值法对径流时间序列进行消噪处理，然后引入混沌理论的相关方法计算三峡流域各站点径流序列的最佳延迟时间和饱和嵌入维数，进行相空间重构，并将重构后的多维序列作为BP神经网络的输入，实现了三峡主要站点月径流序列的混沌特性识别和径流预测。