水是所有生物繁衍生存最基本的条件,更是人类生活不可替代的自然资源。水资源是生态环境中最活跃、影响最广泛的因素,也是人类社会可持续发展的制约因素,在人民生活和国民经济中占有极其重要的位置。而径流在水资源系统中起主导作用,受气候和人类活动等因素的影响,其变化规律错综复杂,表现出非线性、随机性、突变性等复杂特性。因此,如何合理的描述径流的演变规律,并对未来径流做出准确合理的预测,至今都是国内外研究的难题和热点。目前常用的径流描述和预测方法一般都是假设水文系统是线性的,但水文系统实际上是一个非线性系统,径流是水文系统中典型的非平稳、非线性序列。针对径流的特性,本论文引进了一种可以处理非平稳、非线性信号的方法,即希尔伯特-黄(Hilbert-Huang)变换方法。此方法由经验模态分解法(empirical mode decomposition, EMD)和Hilbert变换两部分组成。EMD方法的主要目的是得到各阶固有模态函数(Intrinsic Mode Function,IMF)分量并对其进行Hilbert变换,得到Hilbert谱。进而对径流的变化规律进行分析。本论文基于黄河贵德、小川和兰州三个水文站的天然径流资料,对其进行变化规律的分析和预测研究。虽然Hilbert-Huang变换法可以处理非平稳非线性问题,但是其中需要解决的问题也很多,其中边界效应是一个非常棘手的问题。针对EMD分解过程中的边界问题,本文提出了直接截取两端数据,镜像法和极值点对称延拓法。对比没有对端点进行处理和经过端点处理的结果表明,后者的效果较前者好很多。比较三种方法,极值点对称延拓法是在镜像法的基础上,增加了判断是以端点或极值点为对称点的处理,效果较好,所以选用该方法来处理本文所有数据的端点效应。计算结果表明,该方法进一步提高了处理效果,可以有效的抑制误差向内传播。利用EMD方法可以将径流序列分解为有限个固有模态函数(Intrinsic Mode Function,IMF),对其分别进行分析,可掌握径流变化的规律。在分析各IMF分量特性的基础上,采用人工神经网络进行建模预测。神经网络的函数非线性逼近功能可用于对径流序列进行描述。本文探讨了BP和RBF神经网络的模型和结构,学习规则,并构建了径流预测的模型。利用建立的两个神经网络模型,对具体的径流序列进行预测,结果较好。并对两个网络进行比较,结果表明RBF网络比BP网络具有更好的预测能力。本文采用Hilbert-Huang变换和人工神经网络结合的方法,对黄河上游贵德、小川和兰州三个水文站的年、月径流变化规律进行了分析和预测,为该地区水资源的规划设计和开发利用提供了科学的依据。