کمبود آب، تغییرات آب و هوایی و عدم قطعیت های هیدرولوژیکی ضرورت وجود مدلسازی و مدیریت هدفمند منابع آب را آشکار می سازند. مهار کردن و استفاده صحیح از منابع آبهای جاری، توسعه منابع آب زیرزمینی، کاهش اثرات منفی ناشی از سیل و یا خشکسالی و تأمین آب آشامیدنی سالم نیازمند مدلهایی با قابلیت انجام پیش بینی های دقیق ومطمین هستند. مدلسازی داده-محور، از جمله روشهای نوینی است که به سرعت در حال گسترش در زمینه های متنوع علمی می باشد. این شیوه ی مدلسازی می تواند در مسایل گوناگونی جایگزین سایر روشهای شبیه سازی نظیر مدلسازی فیزیکی ویا مدلسازی تجربی شود. این مطالعه، اصول روشی جدید و پیشرفته به نام ماشین های بردار پشتیبان را که بر پایه تیوری یادگیری آماری استوار است، مورد بحث قرار خواهد داد. استفاده از این روش یادگیری باعث افزایش قابلیت عمومیت پذیری ماشین خواهد شد که منجر به بهبود یافتن دقت مدل در مقایسه با سایر روشهای داده-محور پیشین شده است. هدف این پژوهش آشنایی با مفهوم ماشین های بردار پشتیبان، به منظور دستیابی به فرایندهای فیزیکی پیچیده و رفتارهای غیر خطی سیستم های هیدرولوژیکی می باشد. در این پایان نامه عملکرد روش یادگیری مذکور در قالب سه کاربرد مختلف از مدلسازی منابع آب شامل 1) پیش بینی کوتاه مدت رواناب، 2) تخمین سطح تراز آب در چاه مشاهده ای و 3) پیش بینی زمانی-مکانی بارندگی، مورد بررسی قرار گرفته است. بدین جهت ترکیبهای مختلفی از داده ها برای پیش بینی رفتار سیستم های هیدرولوژیکی گفته شده، معرفی می گردند. مقایسه نتایج روش پیشنهادی با نتایج مدل شبکه های عصبی مصنوعی جهت ارزیابی کارایی آن، قابلیت پیش بینی بالای ماشین های بردار پشتیبان را در کاربردهای فوق، روشن می سازد. به عنوان نمونه استفاده از این نوع ماشین یادگیر در تخمین رواناب موجب شده تا جذر مربع میانگین خطا در دو مدل ساخته شده به مقدار 16 و 27 درصد نسبت به روش شبکه های عصبی مصنوعی کاهش یابد. در پنج مدل ارایه شده در کاربرد دوم و همچنین سه مدل پیش بینی بارندگی در کاربرد سوم نیز این کاهش خطا مقدار متوسطی به ترتیب برابر با 12 و72 درصد داشته است. عملکرد موفقیت آمیز این نوع ماشین یادگیر در این تحقیق، امکان توسعه و استفاده از آن را در کاربردهای دیگری از مدلساز ی منابع آب نشان می دهد.