汽车产业是我国经济的四大支柱产业之一。伴随着我国宏观经济增速放缓,汽车行业供求失衡、产销率下降等问题开始显现。因而科学有效地预测汽车销量,并根据预测合理安排汽车生产变得至关重要。BP神经网络是人工智能中的代表性方法,具有优良的非线性预测效果。本文以BP神经网络技术为主线,结合ARIMA模型和主成分分析,分别对汽车的月度销量和年度销量进行预测。在汽车月度销量预测问题中,分别使用了ARIMA模型和BP神经网络单独进行了预测。针对月度数据具有的周期波动特点,对ARIMA模型采用具有季节调整的形式。结果显示,这两种模型均具有良好的预测精度。为进一步提高预测效果,根据预测误差平方和最小的原则将两种模型进行组合,构建新的组合预测模型,结果表明组合模型的预测效果优于单一的预测模型。在汽车年度销量预测问题中,采用了GDP、城镇居民人均可支配收入、钢材产量、橡胶轮胎外胎产量等八项经济指标对汽车销量进行预测。运用灰色理论分析得到选用的指标和汽车销量的关联度,其中橡胶轮胎外胎产量和钢材产量与汽车销量的关联度最高。将这八项指标标准化后作为BP神经网络的输入值对销量进行预测,预测结果的平均相对误差为2.34%。针对指标中可能存在的信息冗余,采用了主成分分析方法对输入数据进行降维处理。结果显示,主成分BP神经网络预测的平均相对误差为1.71%,比BP神经网络降低0.53%。