本论文是在国家自然科学基金“教育经济贡献率软计算的理论与方法研究”的基础上完成的，将软计算方法理论引入到教育经济贡献的分析研究中，利用人工神经网络的高度非线性映射能力和大规模并行处理能力、分布式存储、自组织、自学习、自适应等特点以及模糊系统能像人脑一样对人类知识进行推理和决策、有效利用人类知识、处理不精确和不稳定情况的特点，对我国教育经济增长贡献进行科学定量的分析。软计算作为一种创建计算智能系统的新颖方法，正在引起人们的关注。包括神经元网络、模糊集合理论、近似推理及一些非导数优化方法，如遗传算法和模拟退火的软计算通过各组成成分之间协同工作可以保证有效利用人类知识、处理不精确及不确定的情况，对未知或变化的环境进行学习和调节，以提高学习性能。在软计算方法集中，神经元网络负责识别模式和按变化的环境进行自适应调节；模糊推理系统包含对人类知识进行推理和决策，这两种方法互补，使软计算这类智能系统在特定领域拥有像人类一样的专门知识，在变化的环境中能够调节自身将学习做得更好，并对怎样作出决策和采取行动进行解释。新古典经济学传统三要素理论不能解释的经济增长部分即残差现象的存在困惑了一大批经济学家，同时也促进了教育经济学、增长经济学等新学科的产生和发展。对残差现象的解释主要分两条线进行，以索洛教授为代表的强调技术、学习、人力资本等对经济增长贡献分析并试图使之模型化、内生化的增长经济学领域以及以库兹涅茨、丹尼森等教授为代表的强调教育、人力资本等对于经济增长的贡献的教育经济学领域都得到了极大的发展，尽管这两条线的方法的侧重点有所不同，但结论是一致的，即教育对于经济增长是至关重要的。鉴于教育的经济效益具有迟效、长效、多效等特点以及影响一国经济增长因素的多方面性和相互作用复杂性等事实，因而衡量教育对经济这一复杂、庞大且具有模糊性和不稳定性系统的贡献是具有挑战性的。该项目试图科学地衡量教育对经济的贡献以及将神经网络和模糊系统等先进数学工具引入到社会科学领域应用之中。这些，无论在理论与实践方面，都具有积极的意义。本文综合运用相关的经济学知识和计算机学科知识，以神经网络与模糊系统等软计算方法为手段，对教育经济贡献进行了定性和定量的研究。文章首先对软计算的基本概念和特征、人工神经网络和模糊理论各自发展历史以及研究现状与发展趋势作了概述，然后从定量与定性两方面，教育对经济的推动作用与教育影响经济增长的机制两个层面，多角度地对教育经济贡献进行了详细分析，概述了传统计量方法劳动工资简化法以及主要代表舒尔茨的教育收益率法和丹尼森的因素分析法，并对传统方法作了简单评价后提出软计算的方法。其次，介绍了项目中所采用的两个神经网络模型：自组织特征映射网络（SOM网络）和模糊神经网络（FNN），讨<WP=6>论了SOM网络的结构和原理、训练算法和局限性以及模糊神经网络的模糊推理系统、结构原理和训练算法。前者用于模式分类，后者用于在前面分类的基础上对各类建立模糊系统。最后，文章介绍了MATLAB开发工具特点、模式分类的理论依据以及模糊神经系统的理论依据，最后用MATLAB进行编程以及对结果进行简单讨论。本论文成功地利用软计算方法神经网络和模糊系统理论对教育经济贡献进行了定量研究，这些先进数学工具的引入，使得定量研究具有不确定性和模糊性的社会复杂系统的能力大大增强，大大拓宽了数学的应用领域，弥补了传统集合论在模糊概念面前软弱无力的缺点，同时为解决其它类似问题提供了可供借鉴的经验。