近年来广义线性模型在车险费率的厘定中得到了广泛的应用,然而广义线性模型本身存在一个明显的缺点,在建立广义线性模型的过程中所使用的数据需要满足较强的分布假设,这就大大限制了广义线性模型在现实中的应用。所以为了提高预测精度我们有必要打破这些分布假设。近年来,随着大数据的不断发展和计算机技术的成熟,新生的机器学习算法为打破这种限制提供了一种可能的有效解决途径。在这种背景下,本文将采用保险公司实际运作中使用的数据,用广义线性模型和神经网络模型分别建模,并将两组模型建模结果相对比,以此来验证上述观点是否正确。我们将采用神经网络模型中的广义回归神经网络分别对索赔概率和累计索赔额进行建模,并使用一种较为实际、有效的调参方法以降低了神经网络模型在实际应用中的难度。本文还采用深度学习的研究方法来考察神经网络模型对新鲜样本的适应能力以及对模型的泛化能力。在经过严谨的验证后我们得出结论:广义回归神经网络在实际应用中能够表现出更好的预测能力。