近年来,随着社会的不断进步和人口的不断增加,对水资源的需求也日益增多。由于我国的水资源非常有限而且分布不均,不能无休止的开采和使用。因此,需要合理调配使用水资源,防止因过度开采造成的地质灾害和水资源短缺等问题的出现。对于水文观测站的管理人员来说,准确的观测水位情况并精确的预测未来水位的变化趋势可以为水资源管理工作提供更多有效的科学依据,对水资源的合理利用和可持续发展具有重要的实际意义。论文在分析了经典粒子群优化算法和支持向量机理论知识的基础上,对粒子群优化算法提出改进,使用改进后的粒子群优化算法(Weighted Partical Swarm Optimization,W-PSO)对支持向量机的两个参数(惩罚参数C和径向基核函数参数σ)进行优化筛选,在最佳参数组合的基础上,建立了W-PSO优化的支持向量机时间序列预测模型,并通过实验进行了模拟验证,论文主要工作如下:论文首先研究了支持向量机和粒子群优化算法的基础理论,分析了惩罚参数和径向基核函数参数对支持向量机的泛化能力和预测精度的影响,并在此基础上提出使用W-PSO算法优化支持向量机参数,以获取最佳参数组合,建立W-PSO优化的支持向量机时间序列预测模型,提高模型预测的精确度和泛化能力。其次,论文使用网络爬虫方法,通过Python语言编写代码提取洞庭湖城陵矶水文观测站的水位数据作为实验数据,分别将实验数据分成训练样本集和测试样本集,使用建立的预测模型对训练样本集进行训练,之后将测试样本集中的数据输入训练好的预测模型中,以验证预测模型的可行性。实验结果表明,优化后的支持向量机时间序列预测模型优于传统的支持向量机预测模型,且预测精度高、模型稳定。最后,为了真实、全面地评估预测模型的普遍适用性,论文采用洞庭湖石龟山、洞庭湖南咀、长江监利、长江沙市四个水文观测站的水位数据作为验证预测模型的实验数据,广泛验证了论文提出的预测模型的可靠性和鲁棒性,为后续水位预测模型的深入研究提供了参考依据,具有重要的实用意义。