人工神经网络技术已有很长的历史，但近些年来进展非常迅速。研究表明该技术在很多领域都具有广阔的应用潜力，如预测预报、模式识别、自动控制等领域的智能模拟和信息处理。神经网络技术在水文水资源中的应用也越来越多。大量的研究表明：神经网络技术具有大规模并行处理、分布式存储、自适应性、容错性等显著优点，利用该技术可以有效地解决水文水资源中难以精确建模、具有高度非线性和各种不确定性的问题。 人工神经网络技术的关键在于建立一个既有一定理论基础又具适用性的网络模型。这涉及到三个主要方面。 (1)网络算法的优选； (2)网络结构的合理确定； (3)信息的充分利用。 本论文正是基于以上三个方面的考虑，结合人工神经网络技术在水文预报及电力系统负荷预测中的应用，进行了较系统的探索，取得了以下具有创新意义的研究成果。 (1)在网络算法上，提出一种自适应的BP算法，该方法能有效的抑制网络陷于局部极小并缩短了学习时间。提出一种敏感型神经网络模型，该模型在对权值的调整过程中采用指数型能量函数，以加快网络的学习收敛速度。开创性地利用时间差分神经网络模型来训练网络权重。首次采用两种不同的手段将卡尔曼滤波技术与神经网络技术相结合。 (2)首次在水文中建立带偏差单元的递归神经网络模型结构，两个偏差节点分别加在隐层和输出层上。隐层节点不仅接收来自输入层的输出信号，还接收隐层节点自身的一步延时输出信号，加强了对过去的输入信息的存储，因此该网络结构反映了前后时段水文变量的相关特性，大大增强了网络适应性，提高了网络预测精度。 (3)为充分挖掘样本所包含的信息，本文从训练样本的构成入手，提出两种方法:一为择优检验法，二为加权检验法。在敏感型神经网络模型中，构造时序样本时引入遗忘因子和期望因子，达到合理地利用各种信息的目的，从而提高了模型的实用性。过拟合是人工神经网络技术应用中经常遇到的难题，本文引用信息论中的一般测不准关系式，对神经网络中过拟合问题进行了定性分析与定量计算，这对解决该难题具有一定的指导意义。 综上所述，为了加强人工神经网络技术的应用基础，提高在系统建模、计算和预测中的实用性，特别是在水文水资源计算和预测中的实用性，本文就该项技术当前存在的问题—网络结构和算法的合理确定以及样本信息的挖掘和充分利用，做了开拓性的探讨，获得了有价值的创新成果。