径流变化特征和径流预报是水资源合理开发与有效利用的前提和基础。径流预报的精度直接关系到流域水资源的优化配置与合理利用的综合效益最大化。鉴于径流序列是大尺度循环和非线性趋势混叠的非平稳序列,直接预测精度较低,本文基于具有平稳化技术、自适应、无基和识别周期与趋势成分特点的极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法对径流序列的变化特征和预报问题做了研究。径流序列变化特征方面,首先,利用ESMD方法将长江上游干支流8站的年、月、日径流序列逐级分解为平稳的不同时间尺度的模态分量和趋势余项,有效地甄别了大尺度循环和非线性趋势。然后,分别利用快速傅里叶变换(FFT)周期图、最佳自适应全局均线(Adaptive Global Mean curve,AGM)下的趋势余项和ESMD时频分析的频率与振幅时变图,得到径流序列多时间尺度的周期变化、非线性趋势变化和突变特征,掌握径流序列的变化特征。最后,与Morlet小波变换、Mann-Kendall(M-K)趋势检验、赫斯特(Hurst)指数、Mann-Kendall(M-K)突变检验和滑动T检验得到的结果对比分析。结果表明:长江上游干支流8站均存在不同时间尺度的周期变化规律;除朱沱站径流呈增加的趋势外,其余水文站径流序列均呈减少的趋势变化,且未来一段时间,长江上游径流量将呈持续减少的趋势;受气候变化和人类活动的共同影响,干支流各水文站的突变时间也不相同。径流预报方面,首先,利用ESMD方法平稳化处理的技术和可逼近任何非线性映射的误差反向传播网络(Back Propagation Neural Network,BP神经网络)建立ESMD-BP神经网络组合预报模型。然后,利用ESMD方法平稳化处理技术,结合Elman神经网络(Elman Neural Network,ENN)非线性逼近速度更快、动态特性好的特点,建立ESMD-ENN组合预报模型。最后,将两种组合预报模型应用于长江上游寸滩站和武隆的年、月、日径流预报,并采用单一BP神经网络和单一 ENN对比分析。结果表明:两种组合预报模型均为“分解→预测→重构”模式,结合了 ESMD数据自适应分析、平稳化处理和神经网络非线性逼近的优点,可以提高径流预报的准确率。与ESMD-BP神经网络组合预报模型比,ESMD-ENN组合预报模型多了一个关联层,增加了处理动态信息的能力,预测精度更高。最后,本文采用正态(normal)分布、t location-scale分布、稳定(stable)分布、logistic分布四种分布模型,分别对径流预报误差进行拟合,并优选出描述径流预报误差的最优模型,将最优模型模拟的预报误差与径流预报值叠加,进行预报校正,可以有效提高预报精度和水平,使预报的径流过程更接近实际来水。进而,为水库中长期和短期调度及决策提供可靠的依据。