在人口出生率保持稳定的情况下,死亡率的下降会带来长寿风险。而精准的预测死亡率是管理长寿风险的关键。传统的死亡率预测方法通常使用确定性的模型形式,如传统的Lee-Carter模型,该模型假设死亡率受时间和年龄因素的影响,在对数死亡率与时间和年龄因素之间建立一个线性模型,并取得了良好的预测结果。本文在传统死亡率模型的基础上,采用循环神经网络方法拟合和预测人口死亡率,并将模型拟合和预测的结果与传统模型进行比较和分析。本文使用的模型是对时间序列数据处理有优势的长短期记忆（LSTM）和门控循环单元（GRU）神经网络模型来对死亡率进行预测,在建模过程中,将美国数据分为训练集和验证集,将最经典的人口死亡率模型Lee-Carter模型作为对照模型。之后使用LSTM和GRU神经网络对数据进行拟合和预测,并分别计算出样本内损失和样本外损失。考虑到不同数据结构对神经网络拟合与预测结果的影响,本文对瑞士的数据做了同样的数据预处理,将LSTM和GRU神经网络模型应用其中,结果与美国的结果进行比较,分析不同模型的拟合效果,对比样本内外损失,为人口死亡率的预测找到最优的模型与方法。本文最终结果显示,对比LSTM长短时记忆神经网络方法,GRU门控循环单元神经网络方法与经典的Lee-Carter模型的样本内外损失和预测结果,均表明循环神经网络方法能大幅度提高对人口死亡率的拟合和预测效果。此外,神经网络中不同超参数的选择对模型的拟合和预测影响效果较大,实证研究表明,隐藏层中神经元维数的增加对模型拟合和预测影响最大,维数越大样本外损失越大。对于不同的数据结构,LSTM与GRU循环神经网络表现的的稳定性不同,并且拟合后的样本外损失结果差异较大,说明不同数据结构在不同的循环神经网络上拟合和预测效果不同。