径流序列受到气候、人类活动、降雨等多种因素的影响，呈现出高度复杂、非线性、随机性、多时间尺度性等多种特性，这些特性使得径流特性分析和预测工作变得更加困难。本论文采用经验模态分解方法对径流进行了分解，并在此基础上运用相空间重构原理，结合PSO优化的ELM神经网络对其进行了预测。　　本文采用经验模态分解(EMD)对宜昌站月径流和雅砻江流域二滩年径流序列进行了分解，并求取了其Hilbert谱，通过分析表明不管是年径流序列还是月径流序列都存在明显的多时间尺度特性，并且其准周期特性往往都与其他自然现象的准周期特性有关。EMD分解的余项表征了径流序列的总体变化趋势。　　本文分析了基于混沌理论的相空间重构原理，详细讨论了相空间重构中的延迟时间和嵌入维数参数的确定方法，对月径流序列及其EMD分解序列采用常用的自相关法和Cao方法求取了各自的延迟时间和嵌入维数，并通过计算各自的最大Lyapunov指数进行了混沌特性的识别，针对不具有混沌特性的分量结合EMD分解原理对其作了相关的理论分析。　　介绍了极限学习机算法原理，由于极限学习机每次随机产生连接权值和偏置，因此表现出了不稳定性的特点，针对此不足，提出了采用粒子群算法通过迭代寻优对该网络进行优化，并通过实例函数测试验证了该模型的正确性。　　将径流序列通过EMD分解后，对各个分量进行空间重构，建立输入输出预测模型，针对重构好的空间，采用本文提出的PSOELM预测模型对其各个分量分别进行预测，最终的径流预测结果是将各个分量的预测结果进行重构得到。为了突出本文模型的优越性，同时计算了LSSVM预测模型、标准ELM预测模型、GRNN预测模型、BP预测模型，通过对比表明了本文预测模型具有更好的预测精度。　　针对上述的径流序列分解的规律分析和预测，本文基于MATLAB平台进行了该算法的仿真，采用MATLAB图形用户界面设计了径流规律分析及预测系统。通过图形和计算数据很好的展示了各个径流预测模型的优劣。该界面简洁美观，操作方便。