国内生产总值(GDP)是当代国民经济核算体制的焦点因素,也是权衡一个国家综合国力的首要因素,这个因素把国民经济所有行径的产出结果归纳在一个极其精炼的统计数字当中,而且为评估和权衡国家经济发展状态以及社会财富的经济施展提供了一个最为综合的标准.可以说,它是影响经济生活甚至社会生活的最重要的经济因素.所以,如果想要对一个国家的经济政策进行合理的规划,那么对这个国家的GDP进行分析研究就显得格外重要.因此建立一个能够对未来经济发展进行合理、准确的预测的模型是必不可少的.因为只有建立一个良好的经济预测模型,才能准确地掌握未来的经济发展形势,才能根据走势制定相应的调控手段,如财政政策,地区建设政策,货币政策等等.在现有的对经济预测的方式中,时间序列分析和多元回归分析是较为常用的.但是随着经济的高速发展,影响GDP的附加干扰因素越来越多,另外GDP的变化本身就是非线性的,加之突发的不确定性情况也越来越多,所以在预测的时间段里,利用传统的预测方法对GDP进行较为准确的预测就成为了一个难题.而人工神经网络是一种非线性、非局域性、非定常性的繁杂网络体系,拥有并行漫衍的信息处理构造和自适应的脑形式的信息处理的本领与实力,它能够经过“自学习”或“训练”掌管大批的常识,落实好特定的事情.其中,BP人工网络在创建预测模型方面更是占有明显的优势：一方面,它能依据已有的数据模型进行预测,过程不繁琐；另一方面,它还能主动地靠拢那些有用的数据,找到数据中蕴藏的规律.实验证明,人工神经网络在时间序列数据预测方面,网络在数据预测方面,特别是在非常繁琐的非线性时间序列数据预测方面比传统的预测方法更加方便,效果更好.经济预测问题是典型的多指标小样本繁杂体系的预测问题.本文利用SAS软件通过标准化、逐步回归分析等手段对原始数据进行预处理,使数据便于分析研究,其中,显著影响因素有X2(人口总数),X4(政府消费),X5(入境人数),X6(各项税收),X7(进出口总额)等五个.预处理后利用仿真拟合、神经网络预测等方法根据1992-2011年吉林省国民生产总值近20年的统计数据,研究了影响吉林省经济发展情况的有关因素.本文的突出特点在于用逐步回归方法对变量进行预处理,从而在保证信息量的前提下减少输入变量,这也就处理了BP人工神经网络在模拟预测复杂经济问题时输入变量过多导致效率过低的问题.实例证明,BP神经网络预测模型在繁杂经济系统模拟预测中比传统的经济预测模型(逐步回归、主成分回归)有更好的效果.