地下水运动变化受到大气降水、河流侧渗、灌溉入渗、水层间越流补给、灌溉及生产抽水等诸多因素影响，过程复杂，地下水运动变化具有高度非线性及非确定性特征。传统的地下水运动变化模拟预测数学模型由于涉及的不确定参数较多，运用数学方程十分复杂，且结果也不十分理想。人工神经网络具有大规模并行运算、自适应、自学习、容错性的能力，特别适用于需要同时考虑许多因素和条件，不精确的、模糊的信息处理。因此，运用神经网络对地下水资源进行预测具有独特的优势，也为地下水资源评价提供了新的思路。 本文将拟研究的沣皂河水源地计算区用平均分布的67个节点加以描述，针对每一个节点，以MATLAB6.5为计算平台，采用BP神经网络结构，通过地下水运动过程分析，确定和地下水水位运动变化相关的指标，即大气降水、河流侧渗、灌溉入渗、水层间越流补给、灌溉及生产抽水为输入神经元；地下水位为输出神经元。通过对沣皂河水源地的数据监测数据进行学习，分析影响BP网络学习效率和预测精度的因素，主要从隐含层神经元数量、训练次数、隐含层激励函数、学习样本数量几方面对研究区潜水层和承压水层水位预测BP网络进行了优化，确定了潜水层和承压水层水位预测人工神经网络模型，得出每个节点的地下水运功变化规律，最后运用MATLAB6.5将数据在研究计算区范围内拟合出地下水变化流场图，直观体现出研究区地下水运动变化规律和趋势。 最后通过验证表明，BP人工神经网络模型预测结果同监测的地下水变化数据误差不超过0.5米，具有较高的精度，能满足地下水预测的实际要求。