流域水文预报模型的参数率定和实时洪水校正是洪水预报中非常重要和困难的工作。模型参数率定采用传统的最优化方法仍存在较多困难：需要人工进行干预，并且不能同时全面考虑洪水过程的主要特征指标。对于结构复杂、参数众多的概念水文预报模型，实时校正问题目前仍没有行之有效的办法。随着模糊集理论（Fuzzy Sets Theory，FST）、人工神经网络（Artificial NeuralNetworks，ANN）、遗传算法（Genetic Algorithms，GAs）等非线性科学技术在各个行业的广泛深入应用，为解决上述问题提供了新的途径和可能性。本文将这些方法与传统的水文预报方法相结合，在水文预报模型参数自动率定、实时洪水校正两方面进行了成功尝试，并建立了行之有效的模型，上述模型经过一大型流域长系列水文资料检验和应用，获得非常满意结果。本项研究为实时洪水预报开辟了新的途径，并提供了良好的应用实例。全文的主要研究内容和研究成果概括如下： 1．对于参数率定问题，根据新安江模型的特点，分两个阶段对参数进行优化：产流阶段应用传统的遗传算法（GAs）；汇流阶段应用本文新提出的GAs，即应用有限方案的多目标模糊优选技术构造多目标问题的GAs评价函数，采用修复策略处理非线性约束问题。采用本文提出的方法能够自动、快速获得预报模型的理想参数，全面考虑参数率定过程中洪水主要特征指标：洪峰流量、峰现时间及场次洪水总量。双牌水库12年34场实际洪水用于参数率定，2年11场洪水用于检验，研究和应用结果表明：GAs应用于大型流域洪水预报模型参数率定能提高预报模型的精度，方法过程较为简单，是一种行之有效的方法。 2．洪水过程具有高度复杂性、模糊性和随机性，但同时又表现出自身的规律性。在系统介绍了模糊ISODATA的基本原理上，对洪水进行模糊聚类分析，寻找同类型洪水的规律，以便将参数分类调试和洪水分类预报有机地结合起来，提高预报精度。 在分析模糊ISODATA聚类不适合大样本和实时在线分类的不足的基础之上，本文提出用ANN进行洪水分类，通过训练可以建立洪水分类器。先利用标准BP算法、改进算法的动量法、基于动量法的自适应调整学习率的策略、共轭梯度法的Polak-Ribievre法、拟牛顿法的BFGS法以及Leveberg-Marquardt法的BP神经网络对一大型流域的长系列水文资料进行洪水分类，无论是训练还是检验样本均取得满意的结果。接着利用概率神经网络（Probabilistic Neural Networks，PNN）模型对洪水分类问题进行了研究，结果表明：BP算法和PNN模型解决洪水的分类问题不但是可行的，而且还具有良好的外延性和推广性。 上述研究是建立实时校正模型的基础。 3．综合利用人工神经网络（ANN）分类和 GAs参数率定，结合一大型水库长系列水文资料，在流域实时洪水校正方面进行了深入研究。提出了两种新方法：第一种方法是对历史洪水，先用ANN进行分类，然后对不同类型洪水，采用遗传算法分别进行参数率定，在实时洪水预报过程中根据洪水预报特征，选择不同的模型参数，以实现洪水的实时校正。第二种方法是对近期洪水，用GAS参数率定方法重新率定模型参数，以新的参数来预报洪水，进而实现洪水的实时校正目的。上述两种方法都集成到了洪水预报系统中，并均用双牌水库历史洪水资料进行了参数分类率定和近期洪水的参数率定。结果表明：参数分类率定方法和近期洪水的参数率定方法是两种比较有效的洪水实时校正预报方法，实时校正之后的精度较校正之前的精度为高，实时校正的原理较通俗易憧、方法可操作性强、容易实现、易于与原有的实时预报系统的集成以及便于实际应用和椎广的优点。 最后，概括总结本文的主要研究内容以及取得的成果，并对有待进一步研究的问题进行了展望。