河流水位预测作为防洪抗旱预警系统的重要组成部分,现有的预测模型仍存在两个弊端,分别为在真实数据量是小样本情况下表现不佳和不具备抗异常干扰的稳健性。因此建立稳健的河流水位预测模型已刻不容缓,围绕该目的,本文主要工作如下。河流水位数据中往往存在极端值也即异常值,存在的形式通常是点或区间,这是不容易探测的。本文结合河流水位的特性,基于离散弗雷歇距离,提出了适用于小样本环境下的河流水位序列异常点探测法（Rv）。进而在小样本环境下适用的灰色周期外延组合模型基础上,加入并利用Rv去探测异常点并通过替换或插值方法来取代异常值,从而消除异常值的影响,得到修正后的河流水位序列,进而不断地对序列进行迭代修正,直至序列无异常点后计算得出河流水位预测序列,从而构建起一个稳健的河流水位时间序列预测模型。因建模流程与“反躬自省”的意味一致,我们称它为THLS（Take a Hard Look at Self）模型。通过三组模拟实验以及浙江三地水文站五年月度数据的实证分析结果表明,THLS模型与其它河流水位时间序列预测模型相比,更适用于河流水位在现实情况下的小样本环境,且其在具备抗异常干扰的稳健性的同时,还有着更高的预测准确率以及更高效的时间性能。