随着社会生产力不断发展，预测科学倍受关注并成为各领域研究热点。目前，预测方法有很多，使用最广泛的是BP（Back Propagation）神经网络预测模型。传统BP神经网络预测模型有一定的局限性，需要进行改进。基于遗传算法的BP神经网络预测模型可以用遗传算法的全局搜索能力弥补BP神经网络的局部搜索能力。但是基本遗传算法也存在不足：早熟现象严重，不易保持种群的多样性，搜索具有一定的盲目性。这些问题都与基本遗传算法固定的交叉和变异概率参数有直接关系。因此，将可变交叉和变异概率的自适应遗传算法引入BP神经网络预测模型中，可使遗传算法克服随机性和盲目性，充分发挥全局搜索能力，在一定程度上避免陷入早熟。本文从目前的预测决策理论入手，分析了常用预测方法的优缺点，并指出神经网络在预测中具有优势，尤其是BP神经网络应用广泛。在介绍BP神经网络的基本结构和学习算法的基础上分析了BP神经网络存在的不足。同时对基本遗传算法的原理和不足也进行了分析。最后通过引入可变交叉和变异概率的自适应遗传算法，将自适应遗传算法和BP神经网络相集成，用自适应遗传算法对BP神经网络进行算法优化，设计和构造了基于自适应遗传算法的BP神经网络的预测模型，并且在MATLAB平台上把此模型应用在预测干热风灾害中以验证模型的可行性，实验表明该模型在预测领域具有较强的优势。