降水是水文循环系统中的重要环节，同时它也是十分重要的一种气象现象。年降水量是预报洪涝灾害、管理水资源及预报分析水文的一个重要参数,故而某地区的水资源程度取决于其年降水量。准确的预测降水量能够给水利和农业部门提供有效帮助。但是因为气象条件具有复杂多样性，这使得降水量具有很大的随机性，所以利用传统方法对的降水量进行预测时其预测精度一般都较低。为了提高年降水量的预测精度，本文提出一种基于灰色波形预测算法和小波神经网络的年降水量组合预测模型。组合预测模型是一种有效保留各个单项预测模型中有价值的数据信息的预测方法,能够使预测模型泛化,避免模型的过度拟合，提高预测模型的预测精度。本文主要做了三部分研究工作：首先，优化小波神经网络。深入研究分析小波神经网络预测模型的原理发现其参数和阈值都是利用尝试法来确定的，不但花费时间很多而且预测效果也不是很好，在这里基于蚁群算法能够寻找最短路径的原理对其优化。其次，改进灰色波形预测算法。通过分析灰色波形预测算法指出其初始值的选取以及对非线性问题研究存在缺陷。基于上述问题，本文首先对新型灰色模型NGM(1,1,k)的初始值进行改进，然后将改进后的NGM(1,1,k)作为模型预测群建立灰色波形预测模型。最后，组合预测模型的改进以及年降水量实例分析。为了进一步提高模型的预测精度，本文将优化后的小波神经网络预测模型与改进后的灰色波形预测算法进行并联组合建立组合预测模型。为了验证预测模型的预测效果，通过Matlab-R2010a仿真工具对年降水量实例进行预测分析。首先将改进的灰色波形预测算法应用于重庆市年降水量预测中，证明其预测效果较好。然后将改进后的组合预测模型应用于重庆市年降水量预测中，将其预测效果与优化的小波神经网络应用效果、改进的灰色波形预测效果进行比较，既验证了组合预测模型的有效性，又表现出其效果优于其他两种优化的单项预测模型。