目的：(1)建立BP神经网络预测模型,探讨分析首发基金科研绩效的影响因素。(2)探讨BP神经网络分析科研绩效影响因素的适宜性和可行性。方法：(1)对2003-2007年连续三年立项项目的总绩效产出与各影响因素进行相关分析及差异性检验,初步选取课题总绩效的影响因素。(2)按照项目类别进行分层,运用分层随机抽样的方式将总数据集划分,抽取其中75%的数据作为训练集拟合模型,将剩余25%的数据作为测试集评价模型的性能。(3)以训练集为样本,分别建立总绩效产出与影响因素的BP神经网络预测模型和多元线性回归模型,以测试集为样本,探讨两种模型预测误差的大小。(4)根据建立的BP神经网络模型,以2003-2007年立项的所有项目为总样本,对纳入模型的影响因素进行排序,分析影响因素的重要性,并采用统计图表的形式分析各影响因素与科研绩效的关系。(5)统计分析使用国际通用的SAS(9.13)统计软件包；BP神经网络分析采用SPSS Clementine软件。结果：(1)研究从反应项目特征及项目承担人特征的因素等方面选择影响因素的初步框架,项目绩效产出由发表论文、出版著作、后续承担课题、申报专利、培养人才、成果奖以及新技术、新方法、新规范等七个方面构成。通过对科研绩效的统计描述发现首发基金科研绩效呈现偏态分布,科研绩效产出不高,在七项产出中发表论文绩效产出得分最高,其次是培养人才,专利在各项产出得分中最低。(2)研究采用单因素分析和相关分析对影响因素进行筛选,单因素分析有统计学差异及相关系数假设检验有显著性的因素被保留。(3)以项目类别作为分层因素对样本进行分层随机抽样,抽取其中75%为训练集,剩余25%为测试集,并对两数据集中影响因素分布的均衡性进行检验,结果显示两数据集中影响因素的均衡性较好。(4)用训练集分别建立多元线性回归模型和神经网络模型,用测试集计算两模型的预测精度,结果显示多元线性回归模型的预测精度为73.38%,神经网络模型的预测精度为87.91%,在相同的条件下,神经网络模型比多元线性回归模型预测精度提高10个百分点之多。(5)研究运用神经网络通过预测精度的变化对影响因素进行筛选,当去除某一影响因素后模型的预测精度不再提高时,应将该影响因素保留在模型中,因素的筛选过程终止。最终保留在模型中的影响因素为项目类别、是否为研究生导师、单位性质、单位级别、学位、技术职称、是否首次获得、是否最高级别,进一步通过神经网络模型对保留在模型中的八个变量进行重要程度排序,结果显示项目类别对科研绩效的影响程度最大,其次依次为研究生导师、是否最高级别、学位、单位性质、单位级别、技术职称,纳入的因素中对科研绩效影响最小的因素为是否为首次获得。(6)进一步对各影响因素与首发基金科研绩效的关系进行分析发现,在项目类别中联合攻关的科研绩效最高,其次是重点支持,科研绩效最低的是自主创新类项目；项目承担人的是否为研究生导师、学位、技术职称以及承担人依托单位的性质、级别因素随级别等次的提升科研绩效增大；对于是否最高级别以及是否首次获得两个因素,科研新人的绩效不如科研资历较长者。结论：用神经网络模型对科研绩效进行分析更具优越性,可将神经网络模型运用于科研绩效这种复杂的非线性问题分析中；根据各影响因素与首发基金科研绩效的关系,提出提高科研绩效的建议：(1)基金管理部门应有效识别申请人的学术特征,有针对性的进行立项倾斜。(2)加强人才队伍建设,提高课题承担人水平。(3)加强课题承担人依托单位管理,改善科研支撑条件。(4)建立人才数据库,加大对新人的扶持力度。