本论文利用经验模态分解的Hilbert—Huang变换（HHT）技术,对长江流域代表站的年平均径流量、月平均径流量、月输沙量以及对他们有重要影响的气象因子进行了多尺度分析。首先我们对长江流域宜昌站、汉口站、大通站年平均径流量进行多尺度时间序列分析并且在此基础上建立了非线性预报模型;另外对长江流域的上中下游三个代表站（宜昌、汉口、大通）近60多年的径流量逐月时间系序列进行了多尺度特征分析,从而得到了不同尺度下的演变规律及其与大洪水的关系;同时本文对逐月ENSO关键区海温、逐月南方涛动指数时间序列做了多时间尺度分析,找出了这些气象因子对月平均径流量产生影响的关键时间尺度;最后我们对长江流域三个代表测站的近60多年月输沙量时间序列进行了多尺度分析,从而得到了不同尺度下的演变规律及其与月平均径流量的关系。主要研究成果总结如下:1.利用HHT方法对宜昌站（1900-2016）、汉口站（1952-2016）、大通站（1951-2016）的年平均径流量时间序列做了多尺度分析。结果表明:宜昌站、汉口站和大通站的年平均径流量的波动周期以3年和6-7年为主,两者方差贡献之和为75-77%。2.本文利用宜昌站、汉口站和大通站年平均径流量时间序列分解的IMF各分量分别建立了年平均流量多尺度非线性动力预报模型。建立了两套预报方案:方案Ⅰ采用IMF所有的分解分量和趋势项叠加建立预报方程,方案Ⅱ则把高频振荡分量C1去除,建立了第二个预报方程。一般而言,方案Ⅱ的模拟效果要优于方案Ⅰ。方案Ⅱ拟合相对误差低于20%的通过率三站在85%-93%之间。3.长江流域三个代表站（宜昌、汉口和大通）近60多年来的逐月平均径流量时间序列可以分解为6个准周期的波动和一个趋势项。其中平均周期1年左右的季节变化C2是最重要的IMF分解分量,它具有最大的方差贡献为84.48%-86.35%。另外3站月平均径流量分解出的年循环分量C2在长江流域特大洪水的发生年份:1954年和1998年,同时达到了历史上的最高点。并且低频分量合并序列（C3+C4+C5+C6）在这2年也出现了异常高值。在将来建立洪水预报模型时,这些时间序列分量可以作为更有效的预报因子,来提高洪水预报的准确度。4.ENSO的4个关键海温区1951-2016年逐月海温和南方涛动指数（SOI）时间序列可以分解出6个不同周期的IMF分量和一个趋势项。结果表明ENSO关键区海温以1年为周期的季节变化时间序列分量与长江流域宜昌站月平均径流量有很好的关系。其中Nino1+2区、Nino3区Nino3.4区海温季节变化的位相较径流量提前3-5个月。南方涛动指数（SOI）和月平均径流量的时间序列没有发现很好的关系。5.长江流域三个代表站（宜昌、汉口和大通）近60多年的月平均输沙率时间序列也可以分解出的6个IMF分量和一个趋势项R,其结果表明平均周期为1年左右的季节变化C2是最重要的,该分量的方差贡献最大,为63.48%-67.32%。长江流域三个代表站的月平均输沙率和月平均径流量有很好的相关关系,尤其是各自分解出的方差贡献最大的年循环季节变化序列C2的变化规律非常一致。本论文结果显示,HHT多尺度分析技术对水文时间序列的分解是行之有效的。其分解结果可以更好地为将来水文预报模型的建立提供更有效的预报因子和理论依据。在将来建立径流量的非线性预报模型的时候,HHT多尺度分析技术可以提供IMF各分量在不同时间尺度上的变化规律。同时HHT多尺度分析技术可以通过分解相关的气象因子时间序列,找出和径流量有关的预报因子的IMF分量,为将来水文预报模型的建立提供了重要的影响因子,从而提高预报模型的准确度。