摘要： 针对径流序列的噪声因素与非线性特性，采用互补集合经验模态分解法（Complete Ensemble Empirical Mode Decomposition, CEEMD）与广义回归神经网络（Generalized Regression Neural Networks, GRNN）的组合模型，对汾河上游上静游站、汾河水库站、寨上站、兰村站1958~2000年的月径流序列进行实例研究，探究3种不同建模方式下的组合模型对预测精度的影响，其中组合模型1使用加权平均集成法将各分量预测结果相加，组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加，组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比。结果表明：各模型的确定性系数（NS）均大于0.5，预测结果均具有可信度；不同的月径流资料适用不同的建模方法，对于极差较小的月径流序列，组合模型1预测效果最好，与另外两种组合模型及单一模型相比，平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）分别平均减少26%，17%，23%；对于极差较大的径流序列，组合模型2预测效果最好，与另外两种组合模型及单一模型相比，MAE，MAPE，RMSE分别平均减少30%，28%，33%。组合模型2预测误差总小于组合模型3，即加权平均集成法对提高预测精度有一定作用。三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小，说明组合模型较单一模型更适用于月径流预测。