接收信号的电场强度预测对无线通信系统的设计与规划非常重要。随着无线通信技术的不断发展创新,无线电波传播的环境日益复杂,早期的一些基于统计分析的场强预测模型不再适用,而基于特定场景环境信息的确定性模型的计算效率通常较低。为此,一些学者提出了基于神经网络的场强预测模型,而本文对此类模型进行了研究并改进。基于神经网络的场强预测模型兼具统计性模型和确定性模型的优点,具有较高的预测精度和较快的计算速度。本文提出了一种基于模块化神经网络的场强预测模型,使之能够更加充分地利用场强分布的特点,从而获得更好的预测效果。采集一定的样本数据作为模型的训练数据,使用K均值聚类方法对全部样本点进行分类,实现对输入样本空间的分解,并训练模型中的各子神经网络。模块化神经网络将复杂的问题分解成为若干个简单的子问题并一一解决,因此可以更加胜任复杂的问题。在某特定场景下应用基于模块化的场强预测模型进行仿真预测,并将预测结果与单一神经网络的预测结果进行了对比分析。可以发现本文所采用的基于模块化神经网络的场强预测模型具有更高的预测精度,可以更好的应用于场强预测。