高速公路软土路基沉降预测一直以来都是岩土工程界的难点问题，其预测结果准确与否直接影响到高速公路建设质量。现有的路基沉降理论研究虽然取得了长足的进步，但是路基施工期间沉降量的预估精度仍然比较低，满足不了工程建设的发展要求。因此，对软土地基沉降预测方法进行研究和改进具有重大的理论价值和实际意义。 本文对江苏省多条高速公路的沉降监测数据进行分析，深入探讨软土路基沉降与加载速率、软土层厚度、填土高度、硬壳层厚度以及地基处理方式等主要影响因素之间的关系。深入学习神经网络及BP算法基本理论后，针对BP算法的缺点，研究了相应的改进措施。从工程应用效果来看，这些改进措施提高了网络的收敛速度和网络性能的稳定性。 针对施工期间沉降预测难的问题，本文利用人工神经网络较强的非线性映射能力和学习能力，提出了用沉降的数据和沉降影响因素建立神经网络沉降预测模型，预测路基施工期间的沉降量的新方法，并结合工程实例，对BP网络的具体结构模型进行了详细实验研究，得出了一个较为理想的沉降预测BP网络结构模型。本方法利用实测资料直接建模，避免了传统方法计算过程中各种人为因素的干扰，算法简单，应用方便。工程实例表明，与传统曲线拟合法相比，此方法预测的路基施工期间沉降量与实测沉降量基本吻合，具有较高的预测精度。随着施工监测的进行，新学习样本的不断补充，神经网络的预测精度和泛化能力还将进一步提高。本文提出的基于神经网络来动态预测路基沉降的方法使公路路基信息化施工成为可能，因此具有广阔的工程应用前景。