在水资源系统工程中，存在诸多非线性、多维组合优化问题。解决这些问题的传统方法多采用解析法和穷举法，但这些方法都存在不同程度的缺点。本论文的目的旨在寻求出能够解决这些问题的更有效，更方便的方法。遗传算法(Genetic Algorithm,abbreviated:GA)是一种全局优化方法，本论文在前人研究基础上，对遗传算法进行了改进，建立了基于实数编码的加速算法。并在天然河道水面线计算、溢流坝下游断面水深计算、频率曲线分析、分区给水系统等水利工程问题中得以应用，证明该算法是一种性能优越，使用方便的全局优化方法。 另外，水利工程中涉及到许多预测、分类、评价等问题，恰好这类问题往往也存在多维、非线性的、实测数据信息不完整等特征，很难建立准确的数学模型来解决。人工神经网络模型(Artificial Neural Net,abbreviated:ANN)是一种具有自组织学习、联想记忆功能的信息处理系统。本文把模拟退火算法(Simulated Annealing algorithm,abbreviated:SA)融入到误差反向传播(Error back Propagation,abbreviated:BP)的人工神经网络模型中，对BP网络模型进行了改进，形成了一种基于模拟退火算法的BP神经网络模型((简记，SABP)。并将其应用到实际工程当中，结果表明基于模拟退火算法的BP神经网络模型比传统改进的BP网络模型在计算精度、运行速度方面均有很大的提高。为了能进一步地提高BP网络的性能，本文尝试将基于实数编码的加速遗传算法与其耦合，形成了基于实数编码的加速遗传算法和模拟火算法的BP网络(简记，RAGASABP)。经过在洪灾损失预报、作物—水模型、作物需水量的计算、地下水位动态变化预测和水质评价中实际应用，证明基于实数编码的加速遗传算法和模拟火算法的BP网络具有很强的非线性映射能力和分类、评价能力。最后，得出结论，认为RAGA(Real coded Accelerating Genetic Algorithm)和RAGASABP(Error back Propagation based on RAGA and SA)能够较好地解决很多水资源工程中的具体问题。