灰色神经网络预测模型是近年来组合预测模型研究的热点,本文研究灰色神经网络预测模型,针对单变量和多变量小样本数据预测问题构建新模型,主要成果如下:(1)针对灰色神经网络组合模型建模数据样本数量无法具体确定问题,本文定义了综合预测精度,提出一种基于综合预测精度的最优建模样本的SGMBP(1,1)模型,将样本序列设置为动态可变的,通过综合预测精度最大化原则确定最优预测样本数。并且将该模型应用到河南省新乡市的土壤含水量预测中,结果表明:该模型预测精度较高,较好的解决了灰色神经网络组合预测模型建模数据数量问题。(2)针对数据波动性较大且有数据缺失的样本数据,提出一种可预测具有近似非齐次指数律序列的非等间距GMP(1,1,N)模型。同时为了体现数据缺失对建模结果的影响,将非等间距时间序列以及GMP(1,1,N)模型的预测结果同时作为BP神经网络的输入,构建网络。并将模型应用到河南省邓州市的土壤含水量预测中,结果表明组合模型提高了GMP(1,1,N)的预测精度。(3)针对灾变的不可预知性问题,构建多变量下的土壤含水量预测模型。为更好的体现相关因素对系统因素的影响作用,数据样本统计时使用三参数区间灰数。结合灰色GM(0,N)模型和BP神经网络模型的优势,构建BPSGM(0,N)模型。并将模型应用到河南省新郑市土壤含水量预测中,结果表明BPSGM(0,N)模型在土壤含水量方面具有良好的预测效果。本文基于土壤含水量预测问题中测量数据的特征,提出了三种不同的预测方法,结果表明模型的预测精度较高,可以为区域节水农业决策提供有益参考。