对宏观经济走势做出准确的预测,对于分析宏观调控政策的得失、评价经济系统运行的质量和正确制定未来发展规划战略等具有重要的意义。本文将近年来机器学习领域备受关注的深度置信网络(Deep Belief Network,DBN)引入到经济预测领域,用于解决传统BP(Back Propagation)人工神经网络经济预测方法所存在的问题,例如训练学习速度较慢、容易陷入局部极小、容易导致过拟合、泛化能力差等不足,使得神经网络方法在经济预测领域焕发新的生机。本文首先介绍了经济预测的研究背景和现状。其次介绍了经济预测特点、分类、方法和基本步骤。再次,本文给出了 BP神经网络和DBN的基本理论,为后文研究做好理论基础准备。最后论文以福建省居民消费价格指数和福建省进口总额2个宏观经济指标为实证研究对象,以论证DBN相比BP神经网络以及向量自回归(Vector Auto Regression,VAR)分析法具有更好的经济预测能力。论文分别从预测精度、训练学习收敛速度、能否利用无标样本进行预训练学习以及动态更新训练样本对模型预测性能的影响等多个方面分析和比较了 DBN和BP神经网络以及VAR方法的建模性能。相关实证研究结果表明,DBN相比BP神经网络和VAR对经济预测性能更优。同时,由于DBN可以有效地利用无标样本对网络权重参数进行预训练学习,而BP神经网络仅能利用有标样本进行有监督学习,这使得DBN相比BP具有更快的收敛速度、更准确的预测能力和更强的泛化能力。总之,DBN是一种更为优越的经济预测建模手段,具备良好的实用性和适用性,有望在经济预测领域加以利用与推广。