铁路客运量预测是铁路旅客运输组织工作的重要基础和主要依据之一，准确预测客运量是铁路运输企业面向市场、把握未来的重要保障。本文主要研究客运量短期预测问题，旨在探讨适用于客运量短期预测的方法，分析其适用条件和局限性，为客运量短期预测工作中方法和模型的选择提供参考依据，并在此基础上提出了基于BP神经网络的组合预测方法。本文首先对短期客运量的时序特性和变化规律进行分析，指出短期客运量时间序列是一个存在季节和周期变化趋势、并存在一定增长(或降低)趋势的非平稳时间序列，并据此将铁路客运量的短期预测定位于主要采用基于时间序列分析的方法进行预测。针对短期客运量的时序变化规律的不同特性，本文分别运用季节调整方法、Box-Jenkins方法和灰色预测方法进行预测，通过对这三种典型时间序列预测模型的分析比较，总结出了它们的优缺点，并简要分析了这些模型在运量短期预测中的适用条件。最后，为有效利用各种模型的优点，克服单一模型的缺陷，达到提高预测精度和增加结果可靠性的目的，本文提出了基于BP神经网络训练权重的组合模型，对短期客运量进行组合预测。在神经网络算法上，本文采用了改进的基于数值优化方法的网络训练算法，有效地提高了网络的收敛速度。实例证明，组合模型获得了较单项预测模型更高的预测精度。