神经网络自开创以来一直深受各国专家学者的重视，日渐成为一种重要的处理非线性问题的工具，被广泛应用于各种领域并取得了辉煌的成就。预测是神经网络的又一个重要应用领域。经典的预测方法用于非线性系统预测有一定困难。而神经网络具有优良的非线性特性，特别适用于高度非线性系统的处理。因此基于神经网络的智能预测是解决非线性预测问题的有效方法，为预测理论开辟了新的发展空间。 本文就神经网络在预测研究特别是在失业预测中的应用做了以下工作： 具体解决了神经网络智能预测系统设计中的一些问题，包括数据处理、主成分分析和结构设计等。 在数据处理中，针对实际数据指标之间数量级差别较大的情况应用了数据标准化方法，针对实际数据时间点分布不均的问题采用了数据插值方法。为后来的预测提供了数据基础。 对于多指标小样本预测问题，文中利用主成分分析法对原有指标体系进行处理，提取主成分构成新的指标作为神经网络的输入。在保证少量信息丢失的前提下大大减少了问题的指标数量，减少了神经网络的输入结点数，从而大大简化了神经网络的结构。为小样本情况下的神经网络泛化能力的提高提供了有效的保证。 在结构设计中主要讨论了用遗传算法来进行神经网络的结构优化。 本文设计了一个基于神经网络的智能预测系统，并将之用于我国失业问题的预测。 针对我国失业问题建立了三个基于神经网络的失业预测模型：基于递阶对角神经网络的失业预测模型，基于对角Elman神经网络的失业预测模型和主成分分析简化的神经网络失业预测模型。 本文设计了一个基于神经网络的智能预测系统，并将之用于我国的失业预测研究，实现了适用于我国失业预测的智能失业预测软件。对我国失业问题进行了预测，并取得了较好的结果。