中国海域辽阔，海岸带面积约占全国总面积的13%,在沿海区域的交通运输及经济建设领域，都需要具备精确的潮位数据，因此实现精准快速的潮位预报具有重要的应用价值和实际意义。为了提高潮位预测精度和稳定性，提出了一种基于带外源输入的非线性自回归(nonlinear auto-regressive exogenous, NARX)神经网络的实时潮位预测方法，并在其基础上做了相应改进。首先采用了模块化潮位预测(modular tide level prediction)方法，将潮汐数据分为天文潮及非天文潮两部分，其次引入滑动时间窗(sliding time window, STW)概念构建出改进的MS-NARX神经网络预测模型。利用美国比斯坎湾(Biscayne bay)的实测潮汐值数据进行潮位预测的仿真试验，并与传统NARX神经网络及自适应粒子群算法优化的基本反向传播(SAPSO-BP)神经网络两种预测方法进行比较，结果表明在MAE、MSE及RMSE三项精度指标测算中，MS-NARX神经网络均为最小，可见其针对数据预测的精度和稳定性均优于SAPSO-BP神经网络和传统NARX神经网络，能够为提高船舶运营效率和保障船舶航行安全提供指导。