目前，利用生长模型描述复杂的林分生长规律是一个重要方向。传统的理论生长模型适应性较强，但通过模型参数与林分因子间的相互关系，引入新的辅助变量易造成系统偏差。常用的参数估计方法-最小二乘法要求数据满足正态、独立、等方差等，但生态数据中自变量之间多数存在多重共线性、或者存在离异值和噪音，很难满足这些要求。人工神经网络（ANN）模型无需考虑模型的具体形式，对试验数据没有特殊要求，擅长解决非线性拟合问题。常用的BP模型缺乏生态学的解释，而且存在如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等。本文以江西大岗山年株林场15块密度试验林28年的复测数据为依据，采用ANN技术以林龄、密度、立地指数3种预测因子构建林分优势高、平均胸径、断面积生长模型。通过不同条件下林分生长的模拟，预测各因子对林分生长的影响，为杉木人工林科学经营提供理论依据。主要结论如下：（1）以自稀疏理论为基础的Nilson密度指标（SD）较林分密度指数（SDI）和Curtis相对密度（RD）更适合作为单指标来度量杉木人工林的密度。但自稀疏理论的复杂性导致单指标评价所有状态林分密度的单一性，神经网络模型不考虑自变量间相关性，因此该研究创造性的采用林分株密度和断面积平均胸径2指标实际值作为林分密度指标。（2）该研究对隐含在BP模型中的杉木人工林分断面积生长规律进行分析，解决了ANN模型重模拟轻生态学解释的问题。主要阐述了林分预测因子之间的相互关系及其对断面积生长的相对重要性。在神经网络解释图中，通过输入神经元输出连接线的总宽度大致看出平均胸径和株密度对断面积的生长比较重要，立地指数和林龄的作用次之。敏感性分析结果表明，总体上5种模拟林分断面积随林龄略微增加，不同立地和状态的林分最终稳定值不同；断面积随林分株密度的增加有3种表现形态，前期都呈现“S”型增长，后期出现趋向平稳、下降和上升的现象；平均胸径对断面积的影响大致为“S”型增长；立地指数对断面积的影响非常小，断面积响应曲线几乎与横坐标相平行。Garson算法将林龄、立地指数、株密度、平均胸径的相对重要性进行了量化，得到的贡献率依次为：株密度（31.81%）>平均胸径（30.95%）>林龄（30.53%）>立地指数（6.7%）。（3）杉木林分断面积生长支持向量机（SVM）模型将传统BP经验风险最小化准则拓展为结构风险最小化准则，通过核函数的内积及拉格朗日对偶转换解决了BP模型反复试凑确定网络结构、容易陷入局部最优解等问题，训练和测试数据应用N重交叉验证法有效提高了模拟和预测精度。杉木人工林分断面积SVM模型的性能参数为R2=0.993,MSE=4.6338, SSE=1112.1，对应的BP模型参数为0.991,4.7144,1131.5。残差分析的结果也证明SVM模型具有比较优势。该方法在林业领域未见报道，有推广应用价值。（4）非线性时间序列BP预测模型的研究证明滞后一步法构建的杉木林分断面积自回归模型最佳，决定系数（R2）在0.85附近，模型精度并不随滞后步数的增加而提高。多元回归时间序列可以改进模型的性能（R2=0.87）。相对于杉木人工林分断面积的模拟来说，预测能力要差于模拟的效果（R2=0.993）。