when using the water table fluctuation method, groundwater recharge in a riverside area can be overestimated due to the river stage fluctuation. In the present study we designed a method to filter out the effect ofriver stage fluctuations on groundwater level using time series models and applied it to groundwater recharge estimation in a riverside area. We employed artificial neural network and support vector maching stuctures for the time series model development. In the model building stage, input structure was composed of past measurement data of rainfall, river stage, and groundwater level. In the prediction stage, however, the river stage was set to be a constant calue in order to eliminate the dffect of river stage fluctuations on groundwater. The suggested method was applied to time series data of Ulsan Bumseo starion of ter National Groundwater Monitoring Network and a groundwater staion in Gangjeong barrage. The result of application ot the Ulsan Bumseo starion shows that the estimated groundwater recharge ratio reduced from 48.3% to 29.7% when using the proposed method. And result of application to the Gang jeong barrage shows that the serimated groundwater recharge ratio before and after the barrage installation was 15.6% and 2.1%, respectively.