遗传算法是一种在达尔文生物进化论基础上建立起来的搜索最优解的方法。遗传算法相较于传统方法有其优势,但是也存在弊端。针对标准遗传算法在复杂问题的寻优过程中存在容易陷入局部最优解,搜索效率低下以及不稳定等问题,本论文的主要研究工作如下:首先,本文明确了遗传算法中染色体和个体的概念。在此基础上,提出一种染色体和个体概率相关的遗传算法,并采用常用的检验函数对其进行检验。将改进遗传算法的检验结果同标准遗传算法、自适应遗传算法的结果作对比分析。结果表明:改进遗传算法具有较好的鲁棒性和较快的收敛速度。其次,本文将提出的改进的遗传算法用于HBV水文模型的参数率定。率定中以模拟流量序列与记录的流量序列的误差的绝对值之和为准则函数进行优化计算,将计算结果同采用标准遗传算法和自适应遗传算法的优化结果作比较分析。结果表明:各个模拟结果能较好地反映实测流量序列,改进遗传算法相较于对比算法有着更好地表现。再次,针对传统准则函数在高水期和低水期适应性不强的缺陷,提出新准则函数模型,加强对于高水期和低水期这些径流特征的刻画。最后,对在参数率定过程中发现的参数的不确定性进行了分析,结果表明模拟得到的流量过程线的上、下边界并不能完全包含实测流量过程线。有一些实测流量值不在90%的置信区间之内。说明HBV水文模型对于模拟该流域的流量过程还不够完备。本文对遗传算法的改进使其更加贴近生物遗传本质,丰富了遗传算法的理论。改进算法在HBV水文模型参数率定中的成功应用满足了实际生产实践中对河流水情预报的需求。