散裂反应在核废料处理、航空航天检测、质子重离子治疗、大型放射性核束装置等方面的应用引起了人们广泛的关注。质子引发的散裂反应的产物截面数据是许多核应用的关键基础数据。由于散裂反应涉及能量范围广、靶核种类丰富、输出粒子通道多、反应机制复杂,虽然粒子加速器和反应堆能够获得大量质子散裂产物截面,但每组实验数据集只能验证部分反应机理。理论上也很难实现一种模型覆盖所有的反应类型,而且程序计算十分复杂,模拟过程相当耗时。本论文利用贝叶斯神经网络（Bayesian neutral network,BNN）在非线性建模预测的优势,结合现有的质子诱发的散裂反应的产物截面数据,作出预测并给出不确定度量化。本论文研究了BNN的建模预测问题,提出BNN直接拟合方法和BNN+SPACS预测方法,两种方法都能成功用于预测质子诱发的散裂反应的产物截面。BNN直接拟合方法,利用神经网络学习复杂大数据的强大能力,通过现有的反应截面数据,寻找反应系统与产物截面的映射关系。网络结构设置7个输入xi={Ap,Zp,E,A,Z,N-Z,Bp}、单个隐层、35个隐藏单元和1个输出。经过与实验数据对比,证明了该方法能够很好的预测质子散裂产物截面,尤其是对电荷数较小的产物。BNN+SPACS预测方法,在网络中加入了理论模型引导,通过学习实验截面与SPACS半经验参数化公式理论计算截面的残差,改进现有理论模型的预测能力。网络结构设置5个输入xi={Ap,Zp,E,A,Z}、单个隐层、23个隐藏单元和1个输出。该方法由于加入了物理模型引导,具有更优的模型泛化能力,给出的产物截面的分布曲线也很令人满意。该方法极大地改进了SPACS公式对轻质量产物的低估预测,能够用于中高能质子散裂产物截面的预测。本论文为散裂反应产物截面的预测提供了一种新的工具,可为核物理、质子治疗和核技术等领域的相关研究提供参考。同时核物理领域有着丰富的数据库和广泛的研究兴趣,通过BNN建模预测方法结合理论模型和实验数据,为核物理基础研究提供新思路。