当前,城市化进程的不断推进导致城市土地资源紧缺,价格上涨严重,高层住宅凭借着容积率较高和单位面积土地开发成本较低,逐渐取代了多层住宅成为住宅建设的主要类型。然而高层住宅层数多、建筑面积大、结构复杂,导致建设过程中的“三超”现象严重,因此如何将高层住宅的工程造价限制在一个合理的范围内是当前建筑行业亟待解决的问题。根据一些西方学者的研究,工程项目初期阶段的成本花费只占到了整个项目全部花费的1%左右,对项目全部花费额的影响却占到了75%,可以说项目建设前期的工作是整个项目建设的“牛鼻子”。本文旨在根据智能算法理论构建工程投资估算模型,实现高层住宅工程决策阶段的快速投资估算。本文做了大量的数据预处理工作。输入指标的选取是否恰当对智能估算模型的估算结果影响很大,但影响建筑工程造价的因素众多,全部加以考虑会导致网络运算效率不高,传统的根据经验挑选代表性指标又不具有客观性。本文查阅大量文献建立了指标选取原则,并通过相关性分析筛选高层住宅工程各单位工程的特征向量,删除对造价没有影响的指标。最后通过因子分析简化特征向量,去除数据之间的信息重叠,将提取后的因子作为模型的输入向量大大提升了网络的训练性能。在MATLAB软件中分别构建BP神经网络模型、极限学习机模型（ELM）、支持向量机（SVM）模型,并通过遗传算法优化BP神经网络的初始权值和阈值、支持向量机模型中的参数c、g,构建GA-BP与GA-SVM模型。收集山西省2016-2020年共257个高层住宅项目进行验证分析,将土建工程、装饰装修工程、安装工程造价单独进行估算。结果显示遗传算法优化后的模型性能普遍提升,BP模型的整体拟合度比较好,ELM模型参数容易确定但对样本的敏感性较高,SVM模型的预测效果则是三者中最好的。整体来看,土建模型的最大相对误差都在10%以内,装饰装修工程、安装工程的最大相对误差都在15%以内,GA-SVM模型总造价的最大相对误差控制在5%以内,模型具有一定的实用性,能够作为工程投资估算的参考。