中国既是发展中的石油消费大国，同时又是人均占有石油资源相对贫乏的国家。近年来，我国的石油对外依存度不断攀升，从本世纪初的32％上升至目前的57％。需求的巨大缺口和供给的风险，直接影响到整个国内石油供应安全。因此准确地估计石油消费，对国家石油需求和相关市场的操作运行有着至关重要的意义。　　 本文通过研究中国1978年到2009年影响石油需求时间序列的相关指标数据，首先采用广义回归神经网络和误差反向传播神经网络(GRNN和BPNN)方法对中国石油需求时间序列进行预测;其次以状态空间模型为框架建立时间序列预测模型，并利用Kalman滤波和Rauch-Tung-Striebel(RTS)平滑算法对时间序列模型进行估测。具体研究内容主要分为以下两部分:　　 第一部分:首先分析中国1978年到2009年影响石油需求时间序列相关指标数据并将指标分成三组，每组指标的数据分别用广义回归神经网络和误差反向传播神经网络(GRNN和BPNN)方法对中国石油需求时间序列进行预测，并对其预测结果进行比较。同时，用主成分回归分析方法对影响石油需求时间序列的相关因素建立线性回归方程，并分析了其相关因素对石油需求时间序列的影响。　　 第二部分:应用神经网络平均影响值(MIV，MeanImpactValue)方法，从中国1978年到2009年影响石油需求时间序列相关指标数据中筛选出对石油需求时间序列影响最大的五个变量;随后，通过神经网络以及AIC准则(Akaikeinformationcriterion)确定自回归平均AR模型的阶次，并建立石油需求时间序列的自回归AR模型;最后，通过模型结果与Yule-Walker方程进行对比，并利用Kalman滤波算法和双向区间Rauch-Tung-Striebel(RTS)平滑算法对石油需求时间序列进行对比估计。