时间序列分析在水文规律分析、水文模拟以及水文预报等许多方面都起着重要作用。水文现象的非线性和高度复杂性，要求从更高的层面和更广泛的角度应用新理论、发展新理论和提出新理论，以解决水科学研究中至今尚无法阐释和不断显现的问题。本文以神经网络、小波分析、支持向量机、自记忆模型和混沌理论这几种现代分析技术为预测手段进行了水文时间序列的预测研究。概括起来，本文取得的主要研究成果如下：(1)对影响神经网络泛化能力的主要原因进行了阐述，针对水文时间序列样本的代表性不好这一问题，提出了采用变最值的规范化方法处理时间序列输入样本，使神经网络的输入样本即使为训练样本的外延，规范化后也处于训练样本的内插范围，从而改善神经网络的泛化能力，并加快网络收敛速度。(2)提出采用连续变换的小波主周期系数加权和建立水文时间序列预测模型。该方法建立在小波连续变换和小波方差的定性分析基础上，预测依据是小波连续变换得到的小波系数与时间序列的相关性，该种方法更为有效的利用了小波连续变换的结果。(3)提出一种考虑一个主周期的水文二元时间序列动力反演微分方程模式，并应用双向差分法和最小二乘法推导微分方程参数，给出求解公式。在动力反演微分方程的基础上，建立水文二元自记忆模型。(4)提出一种水文多元时间序列动力反演微分方程模式，根据前人经验，总结了多元时间序列动力反演微分方程参数的求解方法。在动力反演微分方程的基础上，建立水文多元自记忆模型。(5)应用BP网络、RBF网络、最小二乘支持向量回归和自记忆模型与混沌理论相结合建立了混沌BP网络水文时间序列预测模型、混沌RBF网络水文时间序列预测模型、混沌最小二乘支持向量回归水文时间序列预测模型和混沌自记忆水文时间序列预测模型，其中将最小二乘支持向量机和混沌理论相结合用于水文时间序列预测和本文所提出的相空间动力反演模式属于本文的创新点。