GDP是衡量一个国家或地区宏观经济状况综合表现的一个重要指标,要想做到对宏观经济进行积极有效的调控,首先要对未来经济的走势进行预测,然后根据预测结果决定是需要刺激还是抑制经济规模,从而制定相应的宏观调控手段,如货币政策、财政政策等。在现有的预测方法中,时间序列预测和回归模型预测是两种最常用的预测方法,而宏观经济系统实质上是一个非线性系统,所处环境是一种不断变化的状态,附加性干扰因素直接作用于宏观经济系统运行的整个过程,再加上各种原因,导致宏观经济建模所需的历史资料有可能不确定、不完整,从而导致利用传统的预测方法对进行预测变得十分困难。由于人工神经网络是非线性、非局域性、非定常性的复杂网络系统,具有并行分布的信息处理结构和自适应的脑模式的信息处理的本质与能力,它可以通过“自学习”或“训练”掌握大量的知识,完成特定的工作。实践证明,人工神经网络对建立预测模型十分有效,它能从数据样本中自动学习以前的经验而无需复杂的查询和表述过程,并自动地逼近那些最佳的数据蕴涵的规律,它在时间序列预测方面尤其是高复杂度的非线性时间序列方面明显优于传统的预测方法。在预测方面,目前应用最广泛且较为成功的是前向神经网络。这种神经网络模型的结构简单,能够很好的解决传统预测技术方法中无法很好处理的多因子复杂非线性问题,而且和时间序列分析法与经济计量模型方法相比,具有模型简单、操作性强的特点,在预测精度上也比向量自回归有更好的效果。本文以人工神经网络理论为基础,研究GDP预测。采用三层前馈反向传播神经网络(Back-Propagation Neural Network,简称BP网络),利用1997—2005年湖南省GDP数据,建立了神经网络预测模型,对2006年GDP进行了预测,在进行网络训练时,采用了归一化处理方法,对神经网络的输入和输出数据进行了预处理,保证数据为同一数量级,并将预测结果与传统预测模型相比较。结果表明,BP网络在GDP预测方面具有更好的应用价值。