由于水文循环过程及其空间变化的复杂关系和作用关系的非唯一性,水文系统一般具有非线性、时变、空间分布不均匀和不确定性的特点。水文复杂性所表现的非线性特点反映了自然界不断变化的水循环系统的本质规律,人们已开始注意研究水文系统的非线性问题。水文现象的非线性问题研究是探索水文复杂性最为重要的理论问题,应用非线性理论及方法解决环境变化下径流还原计算问题可能是未来一段时间的热点。我国是一个水资源相对贫乏的国家,按2004年人口计算,人均水资源占有量为2185m3,仅占世界人均占有量的1／4,预计到2030年,我国人口将增至16亿,人均占有量将不足1760m3。水资源短缺是我国必将面对的严峻考验,因此怎样合理配置、调度有限的水资源,使水资源在经济发展中充分发挥其应有的作用是十分必要的。准确的水资源评价是有效利用水资源,保证水资源可持续发展的前提之一,而水资源评价的重要内容之一就是对水资源量的计算。随着国民经济的快速发展,大量水利工程的修建,改变了河川径流的天然状况,使得断面实测径流不能真实反映天然径流状况,因此要想得到正确的水资源量就必须对河川径流进行还原计算,其准确性将直接影响到水资源工程的合理规划和水资源的合理利用。目前在国内的水资源评价过程中,对河川径流进行还原计算时,所采用的大多都是传统的计算方法,这些传统的方法在理论上简单易懂,为众多专家学者所青睐,但是随着国民经济的快速发展、城镇化的加快以及人类活动影响因素的增加,对水资源而言,流域的条件变得日益复杂,上述传统的水量还原计算方法难以适应快速发展的国民经济对水资源还原计算技术的要求。为此,探索新形势、新情况下的河川径流还原计算的新技术和新方法,是当前水资源评价中的一项需要迫切解决的新课题。本文以山西省坪上水库流域径流的还原计算为研究对象,利用水量平衡法和降雨径流模型对该流域进行了径流的还原计算,针对降雨径流模型不能有效模拟径流与各影响因子间非线性关系的特点,建立了基于GA(Genetic Algotithms)优化的BP(Back Propagation)神经网络模型——遗传BP神经网络；在基于对径流还原计算原理深刻认识的基础上,为深层次挖掘用水资料中隐含的信息,本论文还引入了基于小波分解的分项预测模型,以期提高河川径流还原计算的精度。本论文在收集大量的实测资料前提下,通过对相关资料的可靠性、一致性检查后,在此基础上展开河川径流还原计算技术方法及其应用研究。研究成果表明,水量平衡法原理简单,但涉及到的用水部门较多,资料收集困难,常常导致计算精度较差；降雨径流模型是一种理论概化模型,有着深厚的水文学的背景和理论基础,但由于是线性模型,不能准确描述各影响因子与天然径流间的非线性关系,有时还原计算结果出现“失真”现象；基于遗传算法优化的BP神经网络模型与降雨径流模型相比,具有非线性特性,这与水文系统的本质规律一致,因此具有较强的适用性,计算精度有所提高；为深层次挖掘用水资料中隐含的信息,针对流域的特点而建立的基于小波分解的分项预测模型,能够分尺度、深层次的把握现象的发展趋势,并将总体预测可能带来的不确定性分散到各个分支上,物理概念清楚,径流还原计算精度较上述模型高。在各种研究方法的基础上,开发了径流还原计算的计算机软件,应用简洁方便,该系统对于提高水文工作者的工作效率,降低劳动强度,缩短水资源评价的时间,实现各种径流还原计算结果的比较,具有较强的实用价值和现实意义。本课题的研究丰富了径流还原计算的技术方法,并以山西省坪上水库流域为依托进行了应用研究,对合理评价水资源、合理确定水利工程的建设规模,具有重要的参考价值。总之,将人工神经网络模型及小波函数及预测模型应用到水库流域的水量还原计算,是一种新的尝试,有许多理论问题和实际应用问题需要不断总结和提高,诚望能对复杂的水文水资源问题研究起到积极的推动作用。