由于实时水汽分布在微气象学、全球气候变化、灾害性天气预报、InSar大汽改正等领域具有重要的应用价值。所以利用GNSS获取水汽与预报水汽具有重要意义,目前获取水汽已趋于成熟,而水汽的预报仍然有待研究。水汽预报无论是在时间还是地域分布都存在着不均匀性,由于准确预测的难度较大,不少学者采取各种方法来探索准确预报水汽的方法。BP神经网络一直是国内外学者进行水汽预报研究的热点,目前利用该方法在水汽预报领域得了一定成果,但其本身也存在局限性,导致不能获得较高的预报精度。小波神经网络是将小波基函数作为神经网络中神经元的激励函数的一种改进的神经网络模型,它结合了小波分析理论多尺度分析性能和神经网络自学习、自适应的优点。本文使用了高精度数据处理软件PLAOD解算出对流层延迟,并通过测站数据、气象资料、可降水量转化模型等计算出符合要求的可降水汽量数据作为本论文实验的样本数据。然后,利用小波神经网络预测模型对可降水汽量进行预测。通过与实测数据进行对比分析,可以看出小波神经网络在可降水汽量预测中具有比传统的BP神经网络在收敛性、容错性、逼近能力上更有优势,得出的预测精度更高。通过同一时间段,不同采样率之间的对比分析,得出了30s采样率的小波神经网络预测可降水汽量残差值最小可以达到0.001mm,其绝对值平均值为0.018mm,具有一定的应用参考价值。