水文预报是适应自然、减免损失的非常重要的防洪非工程措施，直接为防汛抢险、水资源合理利用与保护、水利工程建设与运用管理和发展工农业生产服务。水文预报是一个复杂的系统，且具有很强的非线性特征。目前，不论是确定性水文预报模型，还是统计模型都是以实测资料为基础建立起来的一类数学模型，由于受许多建模假设的限制，这些模型很大程度上只是对实际水文规律的一种近似模拟，难以用于处理水文现象及其要素之间内在的、复杂的非线性关系。在综述国内外研究的基础上，本文把人工神经网络、模糊集理论和遗传算法结合起来尝试建立模糊神经网络实时洪水预报模型。本文的主要研究工作及成果概括如下： 1．针对水文现象及其要素的模糊性以及它们之间关系的复杂性，把模糊数学知识表达好的特点与人工神经网络模型学习能力强的特点结合起来，探讨应用模糊神经网络来实现洪水过程的实时预报。把遗传算法用于神经网络初始权重的优化，可以在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题。根据模拟洪水过程思路的不同，尝试建立了两类预报模型(模型Ⅰ和Ⅱ)，针对输入因子的不同，在模型Ⅰ中又分为两种情况。本文还探讨了利用各雨量站属于上、下游的隶属度来描述降雨的空间分布。 2．依据湖南双牌水库的水文资料，对于模糊神经网络预报模型Ⅰ和Ⅱ进行了计算和检验，对于输入参数的确定进行了研究，分析产生各种情况的原因，并在此基础上，确定了最终的预报模型结构。 3．神经网络隐含层节点数与遗传算法的各种运行参数没有现成的参考公式，一般是在分析问题的基础上，通过试验的方法来确定。为了寻找模型的最佳运行参数，通过样本试验的方法来确定模型的运行参数，由于各个参数相对独立，采用其它参数不变，只变化一个参数的方法来确定该参数的最佳值。为了避免一次运算的随机性，连续运行两次，取网络输出误差的平均值，并绘出其变化曲线，在分析各种参数变化对模型计算影响后，确定模型的最终运行参数。最后，利用优化后的模型参数进行模拟和预报，分析总结特点，探索一种有效的实时洪水预报模型。