自1994年1月1日中国将官方汇率与外汇调剂价格并轨,到国际货币基金组织（IMF）于2016年10月1日将人民币正式纳入特别提款权（SDR）货币篮子,人民币市场化改革一步步在探索中前进。在这个过程中人民币在国际支付结算等方面的功能逐渐得到认可,人民币国际化的脚步不断加快。但这样的过程难免伴随着人民币汇率波动的逐渐增大,而波动的增大必然带来风险的增加,这样的风险不仅给国家带来挑战,更会波及银行、外贸业甚至个人投资者。要想控制甚至是规避这种风险,只能想方设法“走在变化前面”,也就是提前预测变化。随着汇率预测成为一项研究热点,风险管理有了更强力的工具、投资套利有了新的途径。相对于汇率,一国的利率水平的波动频率及幅度都更低,且对央行的政策反应较快,这意味着商业银行银行等机构可以相对容易地了解或预测未来的利率水平,而基于利率与汇率的联动关系,进一步可以利用掌握的利率指标数据预测汇率的波动,这样的预测结果也许相对于单独依据汇率的历史数据预测汇率波动更为准确。本文选取了 2010年1月至2019年12月的美元兑人民币汇率,利用神经网络模型并将利率作为输入变量加入模型进行汇率的建模预测。文章主要分为以下三步:第一步通过相关性分析、格兰杰检验和协整检验挑选出对美元兑人民币汇率影响较大的利率变量;第二步在未添加利率作为影响因子的条件下利用不同模型对汇率进行预测并比较各模型的预测结果;第三步将利率作为影响因子加入神经网络模型对汇率进行建模预测,并与添加前的模型预测结果进行比较,评价利率作为变量对汇率预测的影响。试验结果表明,首先在本文选取的数据条件下,七天期上海银行间同业拆借利率与美元兑人民币汇率的相关程度最高,相关系数为0.632;通过比较协整方程标准化系数可知二者的协整关系较强。其次神经网络模型能较为准确地预测汇率变化,其中RNN神经网络模型预测相对误差为2.7%,优于其他两种神经网络的预测结果。与此同时研究表明利率作为变量没有帮助提升汇率预测精度,反而使各模型的预测准确度下降,RNN神经网络、BP神经网络、RBF神经网络的预测相对误差分别增大了 0.8%、8%、12.8%,RNN神经网络的预测精度下降较少。