本文以江西、福建两省约28万km<2>为研究区域，收集了90个水文站的年最大洪峰流量资料和9个反映各流域的水文、气象和下垫面情况的特性指标，进行水文分区及区域洪水频率分析方法研究。 水文分区不仅是认识水文规律、解决水文资料移用问题和为水资源合理开发提供依据的重要手段，也是解决水文站网规划、布设与调整、水文资料移用、以及区域洪水频率分析等问题的基础。本文把模式识别理论引入水文分区问题中，提出了加权模糊c均值聚类算法和自组织特征映射神经网络水文分区法，并与地理分区法和K均值聚类算法的水文分区成果比较。地理分区法在划分区域边界时存在一定的主观性；K均值聚类算法和加权模糊c均值聚类算法都采用距离作为模式相似性的度量，但加权模糊c均值聚类算法既考虑了客观事物的模糊性，又考虑了各影响因子对洪水频率分布的贡献率，增加了算法的合理性；自组织特征映射神经网络水文分区法能自动识别水文相似区的个数，分区成果较为客观。 考虑各水文相似区之间的边界不分明性，提出了模糊数学区域洪水频率分析模型，把各站点属于不同水文相似区的模糊隶属度作为权重拟合各站的频率分布曲线。针对研究区域复杂而典型的水文、气象、下垫面情况和洪水特性，首次尝试将多层感知器神经网络应用到区域洪水频率计算中，建立了多层感知器神经网络区域洪水频率分析模型，通过输入与输出之间的非线性映射关系来模拟流域特性与洪水特征参数之间的关系。实证研究表明，在研究区域应用这两种模型进行区域洪水频率研究是可行的。 通过在水文分区及区域洪水频率分析研究中应用模式识别理论、人工神经网络、模糊数学和线性矩法等新理论和新方法，促进了相关学科的交叉渗透和新技术、新方法在我国区域水文研究中的推广应用，极大地丰富了水文分区及区域洪水频率分析方法。