با توجه به اهمیت پیش بینی جریان رودخانه در مدیریت منابع آب روش های مختلفی برای مدل کردن جریان رودخانه ها بکار برده شده است. تا بتوان با بکارگیری این مدل در مدیریت خشکسالی و سیلاب، خسارات ناشی از آنها را به حداقل ممکن رساند. در این مطالعه مدل شبکه عصبی و مدل هیبرید موجکی- شبکه عصبی برای پیش بینی جریان روزانه ایستگاه ونیار پیشنهاد گردیده است. برای استفاده از مدل هیبریدی سری زمانی به 12 زیر سری تجزیه شده و این زیر سری ها بعنوان ورودی به شبکه عصبی وارد می گردند. نتایج بدست آمده از مدل تلفیقی موجک- شبکه عصبی با نتایج حاصل از کاربرد شبکه عصبی مقایسه شد. و ملاحظه گردید که روش هیبریدی موجک- شبکه عصبی تعداد روزهای بیشتری را با همبستگی قابل قبولی نسبت به روش شبکه عصبی پیش بینی می کند. در بخش بعدی این مطالعه همپوشانی فیلتر میانگین متحرک با زیر سری های تقریبی حاصل از تجزیه جریان روزانه بررسی گردید که نتایج همبستگی بسیار بالای این دو فیلتر را نشان داد. در قسمت دیگری از این تحقیق میزان در برگیری زیرسری های جزئی حاصل از تجزیه موجکی توسط دوره بازگشت های مختلف بررسی گردید، بصورتیکه هر کدام از دوره بازگشت های سیگنال جریان روزانه ایستگاه ونیار، یک سری از زیر سری های جزئی را در بر می گیرند. و از این قسمت می توان دریافت که هر کدام از زیرسری های حاصل از تجزیه چه دوره بازگشت هائی را در تفکیک نموده اند. در بخش آخر این مطالعه در صد واریانسی را که هر زیر سری جزئی به خود اختصاص داده بود محاسبه شد. و میزان پراکندگی که هر زیر سری جزئی از سیگنال جریان در بر گرفته بود مشخص گرد