随着城市化的持续加速和我国经济的快速发展,能源紧缺和环境污染问题成为我国发展的主要阻碍,为此我国提出碳达峰、碳中和的目标,而高校能耗占社会能耗的很大一部分,为了助力我国尽早实现“双碳”目标,高校应结合建筑能耗数据和校内碳排放数值来分析校内节能减排中存在的问题,并根据这些问题制定相应的节能策略,来降低校内资源的消耗和碳排放,提高校园节能率。本文以东北某高校26栋建筑楼的能耗数据集为基础,查阅了国内外参考文献,分析该高校能耗变化趋势,结果显示近5年能耗均处于增长状态,通过构建神经网络模型对校内建筑能耗数据进行预测,选取BP、LSTM神经网络参数,构建预测模型,采用遗传算法分别优化BP、LSTM神经网络,通过对模型的训练,对比BP、LSTM、GA-BP和GA-LSTM四种算法的平均绝对误差、均方误差、均方根误差、平均绝对百分比误差和算法性能,结果显示GA-BP算法可以提高BP算法的寻优能力、克服LSTM算法的训练复杂度高等缺陷,模型预测更符合实际,然后以此算法对该校未来几年建筑能耗进行预测,并将此数据集作为碳排放预测的基础数据。根据预测的数据集,计算校园内增碳排放及减碳排放,增碳排放包括建筑用电、建筑用水、采暖用煤、天然气和生活碳排放,减碳排放为校内绿植固碳量,经计算结果分析发现校内建筑用电和采暖用煤所产生的碳排放占主要部分,校内绿植面积需扩大至3.2倍才能中和掉这些碳排放,因此校内应加大对节能减排的重视程度。基于以上数据及校内节能减排现状,分析校内存在的问题并从健全高校节能减排体系和运行机制、开展节能设备改造和更新、建立并优化节能监测平台、加强节能宣传、优化绿植布局等五个方面给出建设性建议,从而实现降低校内碳排放,提高节能率,并为其他高校节能减排提供新思路的目标。