针对神经网络预报模型效率和精度低下的问题,提出利用粗决策树算法和粒子群算法分别优化神经网络结构和参数,以此提高预报模型的效率和精度。首先,针对静态算法对大数据和增量数据处理不足的问题,构造了基于粗决策树的动态规则提取算法。应用粗糙集进行预处理,降低数据维数,将粗集与决策树结合,用增量方式实现样本抽取,经过动态约简、决策树构造、规则提取与选择、匹配的循环过程实现了数据的动态规则提取。将粗决策树算法用来确定神经网络隐含层,使隐含层选取更加科学合理,精简模型结构。该算法可以获得更多的数据隐式信息,可以用于数据挖掘领域,它提供了一种在线规则提取的研究方法。然后,针对BP网络初始化参数设置随意性大的缺陷,应用粒子群算法对网络初始参数进行优化,从而避免网络学习过程中过早收敛于局部极小值;后续关于模型的在线优化方面,还有待进一步研究。最后,采集2014年空气质量和汽车评估(相关数据),将粗决策树算法与粒子群算法结合起来建立神经网络预报模型,并应用MATLAB编程实现模型的训练和仿真。分别与不同隐含层的神经网络、未进行优化的神经网络预报模型进行分析和对比。结果表明,该方法构建的模型,大大提高了预报精度和速度,为预报问题的处理提供了新的研究思路。