利用重力场恢复与气候实验（gravity recovery and climate experiment，GRACE）卫星反演的陆地水储量和全球陆地数据同化系统（global land data assimilation system，GLDAS）水文模型，从流域降雨分布信息出发，结合季节调整技术和非线性自回归（non-linear autoregressive，NAR）神经网络对流域地下水储量变化进行预测，并与未经过季节调整的NAR神经网络、自回归（autoregressive， AR）模型以及季节性自回归差分移动平均（seasonal autoregressive integrated moving average， SARIMA）模型进行对比分析。以长江流域、勒拿河流域、鄂毕河流域以及叶尼塞河流域为例，结果表明，经过季节调整后的流域降雨和地下水分别服从独立分布和一阶自回归模型，为NAR神经网络时延数的确定提供了新的途径。经过季节调整后的NAR神经网络的预测结果在四个流域的模型表现优于传统的AR模型和SARIMA模型，均方误差在1 cm以内，相关系数超过0.96。结合季节调整和NAR神经网络提高了流域地下水储量预测精度，减少了训练参数，加快了神经网络的收敛速度。