降水预测问题是一个非常复杂、重要的研究课题。一种事物从过去发展到现在再发展到未来,其发展总存在某些内在的规律,国内外的一些专家和学者们积极的进行探索,掌握事物发展的固有规律,把预测问题置于科学的基础之上,引导事物朝着预期的方向迅速发展。精准的预测是正确决策的前提,随着科技的不断发展,几乎人类活动的各个领域都能够提供大量的统计数据,因此在统计资料的基础上,建立了预测科学。在对人工神经网络技术中的BP神经网络的学习和研究的基础上,针对BP神经网络收敛速度慢、易于陷入局部最小等缺点,考虑到粒子群优化算法(Particle Swarm Optimization,PSO)和万有引力搜索算法(Gravitational Search Algorithm,GSA)的全局性和快速性,分别采用PSO、GSA优化BPNN的初始权值和阈值,提出PSO-BPNN和GSA-BPNN降水预测方法。利用某省份A、B、C和D四个气象观测站的降水资料进行预测实验。结果表明:两种方法较常规BP神经网络具有更快的收敛速度快,且预测误差较小,同时结果也表明GSA-BPNN较PSO-BPNN降水预测方法准确率更高。在介绍两种预测方法的基础上,以A、B、C和D四个气象观测站的年最高降水资料为例,把这52年资料划分成雨涝、偏涝、正常、偏旱、干旱5种状态,采用均值-标准差分级法进行旱涝指标值分级,并对旱涝状态进行预测和分析,结果表明,预测结果与实际情况相吻合。