河道水情预报十分复杂，由于受各种因素的影响表现为非线性动力学过程，而且因素之间的变化及相互影响关系也很难确定。鉴于人工神经网络具有很强的处理大规模复杂非线性动力学系统的能力，以及遗传算法具有很强的全局寻优的能力，本文紧紧围绕人工神经网络和遗传算法这两个数学领域的知识，提出了自适应遗传算法，改进了BP网络洪水预报模型，并将二者有机地结合，应用到河道水情预报工作中，取得了良好效果。具体工作如下： 针对遗传算法在运算过程中一直在整个约束空间搜索最优解，收敛速度较慢、效率相对较低的缺陷，本文提出了一种改进的遗传算法——自适应遗传算法，即在群体进化若干代后，引进自适应思想，将弱解空间删除，在之后的进化进程中只在强解空间进行群体的繁殖，提高了求解效率和求解精度，缩短群体进化过程。并对所提出的自适应遗传算法进行了相关的数学理论分析。 针对洪水预报预测阶段可能超过历史洪峰的情况，在人工神经网络预报模型中，本文把输入单元和输出单元的数据规范在0.2到0.8之间，留有(0，0.2)和(0.8，1)的预报空间，使得预报模型能够顺利预报出高于历史洪峰的洪水水位。另外，本文采用《水文情报预报规范》中的确定性系数作为目标函数，使得预报结果更加直观。 针对人工神经网络本身是一种静态网络，在复杂河道的预报模型中，本文引入了延迟单元法，即在数据处理时直接从样本模式中提取时间序列特征，使得这样的预报模型具备了对时间序列的识别能力。 本文将BP网络的洪水预报模型、基于自适应遗传算法的BP网络洪水预报模型应用于珠江三角洲北江的洪水预报。对各种预报模型进行了检验，结果表明在合理选择输入层单元数据和预见期的情况下，可以取得很好的预报成果。