随着“互联网+林业”的更好更快发展,人工神经网络（Artificial Neural Network）逐渐被应用于林分生长模型的预测以及森林资源管理。本文建立了基于神经网络的桦树人工林林分生长预测模型,分析了利用神经网络建立预测模型对全林分生长与单木生长的预测精度。在此基础上,提出了利用SSA-BP模型对林分生长进行预测的可行方法,能够更为准确地预测林分生长特性。首先,介绍了林分生长模型的分类、采集了林分生长模型中影响因子的数据。为了降低建立全林分生长与单木生长预测模型的建模难度,利用主成分分析法（PCA）对采集的林分生长模型中的影响因子进行筛选,筛选出贡献率最高的5种影响因子来代表本文中林分生长预测的所有影响因子,为后续预测模型的建立提供数据支持。其次,为了对人工林全林分与单木生长情况进行预测,分别使用约翰逊-舒马赫（Johnson-Schumache）生长方程、密切利（Mitscherlich）生长方程、里杰斯蒂（Logistic）生长方程、贡佩茨（Gompertz）生长方程和瑞查兹（Richards）生长方程对林分生长进行建模。通过模型拟合后发现,基于五种树木生长理论建立的预测模型不能十分准确地对林分生长进行预测。于是采用BP神经网络来建立林分生长预测模型,结果表明该模型的预测值更加接近实际值。最后,为了增加预测模型的预测性能,选用遗传算法（GA）、模拟退火遗传算法（SAGA）、粒子群算法（PSO）、天牛须搜索算法（BAS）和麻雀搜索算法（SSA）五种算法对神经网络进行优化。通过均方误差值（MSE）来对优化的神经网络性能进行比较,比较后的结果发现在人工林全林分与单木生长预测模型中,利用麻雀搜索算法（SSA）优化BP神经网络建立林分生长预测模型的均方误差值（MSE）最小。因此,基于麻雀搜索算法（SSA）优化BP神经网络的桦树人工林林分生长模型为最优模型。本文针对基于SSA-BP的桦树人工林林分生长预测模型研究,能够为不同树种的林分生长预测研究与林分的可持续发展与约束经营提供一定的技术支持。