在水文学科领域中,准确的预报问题是防灾减灾的重要研究课题之一。近年来,由于全球气候的变化和人类活动的影响,全国的气象灾害越来越严重,而且持续的时间比较长和影响的范围也越来越大,我国国民经济的发展受到了严重地影响。如何对现有水文资料的分析和研究并找到其变化的规律是非常必要和重要的。近年来,国内外研究者已成功的将神经网络(Neural Networks, NNS)方法应用在大气学科预测建模等各个复杂领域。但目前还没有找到确定优化神经网络的各个参数的定量方法,其中采用最多的是BP神经网络,但对于复杂多维的训练数据或设置不同的参数会存在过拟合、收敛速度低、陷入局部最优和预测效果差等缺陷。这就极大地限制了神经网络在实时降水径流预测模型中的应用。近几年,群智能优化人工神经网络逐渐成为现代优化领域的研究热点,其中粒子群算法是当前优化算法领域的一大研究热点。本文针对人工神经网络在预报建模过程中网络结构和优化网络参数难于确定的问题,提出一种改进的PSO(粒子群优化算法)进行优化神经网络各个参数并应用在广西降水和径流预报建模中。首先,对粒子群算法进行改进,采用随机分布的方法获取惯性权值来保持种群的多样性以及提高搜索能力,同时采用异步变化的策略来改变学习因子值以加强粒子的学习能力以加快收敛到全局最优解。其次,将改进的粒子群优化前馈神经网络算法。最后,针对复杂多维的因子,采用多种降维处理方法来获取主要相关信息的因子。并将所有数据设计分成训练样本集和测试样本集两类数据,建立基于改进的粒子群优化神经网络的降水和径流预报模型。实验结果表明,该模型在局部和全局搜索能力、速度和精度等问题上都优于BP神经网络的降水和径流预报中的应用。