随着城市化发展,我国房地产市场发展迅速,出现了大量的消费、投资等交易活动。其中,住宅类房地产是房地产市场的热点,占据了最大的开发投资比重。房价的快速上涨引发的种种矛盾引起了社会各界的广泛关注,要求对房地产价格进行客观准确的评估,从而使人们准确把握房地产价格及其走势。然而传统的房地产评估方法耗费大量人力物力,速度慢、主观性强,无法满足房地产市场中大量的交易与价格评估需求,此外,由于房地产自身所固有的特殊属性,影响房地产价格的特征因素数据信息很繁杂,不仅包括定性数据因素,还包括定量数据因素。要对这些发生交易的房地产的数据信息进行有效的利用,必须要对它们进行搜集、整理以及有效的存储。因此,对传统的方法进行改进,或寻找更加科学的评估方法来研究房地产价值评估具有重要的理论意义和实践意义。BP神经网络是一种功能强大、应用广泛的机器学习算法,它的自适应性、非线性和大规模并行处理能力使其能够大量减少人力物力,高效率地处理非线性问题,降低主观随意性,从而能够在房地产评估中发挥有效作用。基于BP神经网络的房地产价值评估主要是在传统方法的理论基础上,通过计算机来搜集处理大量的数据信息,找到房地产评估与其影响因素之间的客观规律,从而对房地产进行估值,提高评估的效率与客观性。同时,在商品房房价超过家庭支付能力,越来越多的家庭选择购买二手房的情况下,二手房交易也为房地产的价值评估提供了大量的样本数据。本文首先阐述了国内外学者在房地产评估以及人工神经网络方面的相关研究,提出了本文的研究构想。其次,从房地产的基本内涵出发,介绍了居住房地产的类型及特点,并系统梳理了当前房地产价格评估中应用比较广泛的方法,对这些估价方法的理论基础、应用条件、范围和优缺点进行了整理。接着,基于传统方法的不足,本文将神经网络基本思想引入房地产评估中,分析了BP神经网络在房地产评估中的可行性与优越性。然后,根据前两章的理论方法,全面分析了房地产价格的影响因素,从中构建了居住房地产价格影响因素指标体系,并对指标进行了量化、规范化和同趋势化处理,运用随机森林理论对指标进行了重要性排序,缩减了指标数量从而对指标体系进行优化。再次,基于BP神经网络的基本原理构建了房地产价值评估模型,对神经网络的输入层、输出层、隐含层和网络结构参数进行了设计与确定,并运用MATLAB软件对模型进行了优化设计。最后,本文以北京市学区房为样本,将其导入神经网络进行训练,通过计算发现,该模型能较为准确地预测房地产价值,从而证明了这种改进评估方法的准确性与有效性。同时,为了更好地进行房地产价值评估,在初步训练的模型基础上,通过调整参数、选取函数确定了最优的评估模型。并通过与随机森林方法的交叉检验对比说明了该模型的优越性。