本论文是在国家自然科学基金“教育经济贡献率的软计算理论与方法研究”(项目编号：70273044)的基础上完成的。 传统计算教育对经济贡献率的方法是按劳动者个人受教育程度分类，选择某类劳动者的生产率作为基准(或称为当量)，其它类劳动者的生产率比较基准类而作为它的倍数，从而统计全社会劳动者的平均劳动当量去分摊总产出。这样不可避免地存在劳动力产品的质量问题、劳动者所处的资源环境问题以及人们认识上的主观性、统计数据的不完整性等问题。我们通过软计算来计算教育对经济的贡献率，宏观上将科技进步或生产率具有可比性的对象(区域)作为同一类，然后在类子系统内建立人力资本和经济增长之间的模糊映射关系(“一次滤波”)，以及教育和人力资本之间的模糊映射关系(“二次滤波”)，从而通过这两次映射来建立教育到人力资本，人力资本到经济增长的关系，最终可以计算教育对经济的贡献率。这种映射关系的质量是通过智能系统的自适应调节来实现的，充分利用系统的容错性和鲁棒性，去适应数据资料的不完整性和人们认识上的主观性，发挥软计算在不确定环境下的计算优势。 文章共分四个部分。 作者首先在引言中介绍了本文选题的意义、国内外研究的现状及问题，最后提出运用软计算理论来计算我国教育对经济增长的贡献率。 第一章是对教育经济贡献率的理论分析。自从舒尔茨计算教育对经济的贡献率之后，各国许多学者和研究机构都致力于研究教育经济。本章首先对教育经济贡献进行了文献综述；其次，对教育影响经济增长作用的机理进行了分析；最后，介绍了国内外学者计算教育对经济贡献率的方法。 第二章是对软计算的概述。20世纪90年代，L.A.Zadeh及其学生将模糊逻辑与智能技术结合起来，提出了软计算方法(Soft Computing简称SC)。它将模糊思想、模糊逻辑同智能化技术手段有机结合来解决复杂系统中带有不确定因素问题的建模和优化求解，使模型建立更接近客观事物的真实反映，使优化求解过程更具操作智能。本章分别介绍了遗传算法(GA)、人工神经网络(ANN)和神经模糊系统(AFS)。本章最后提出了计算教育对经济贡献率的软计算方法。 第三章以我国为案例来计算教育对经济的贡献率。由于具有同等人力资本的劳动者在不同的生产力环境下的经济贡献率是不同的，有时甚至是不可比较的，因此，我们必须将目标系统按生产力的差别分类。本章首先介绍了软分类方法，在这个基础上提出遗传．自组织迭代分析技术(GA-ISODATA)分类算法，然后用GA-ISODATA对我国31个省、市、自治区进行软分类。接着根据分类结果来建立人力资本到经济增长的模糊神经网络FNN1，得到人力资本对经济的贡献率α_k；建立教育到人力资本的模糊神经网络FNN2，得到教育对人力资本的贡献率α′_k。最后得出教育对经济的贡献率(Economic Contribution Rate of Education)ECE_k=α_k×α′_k。 第四章介绍和列举了主要的程序代码，所有代码都基于Matlab6.5。本章首先介绍了遗传算法的关键算子代码，例如选择算子代码、交叉算子代码和变异算子代码，其次介绍了