森林资源是人类赖以生存的发展的物质基础,它不仅能够为发展和生产提供各种各样的物质原材料,同时对整个生态环境的稳定和健康发展发挥着巨大的作用,准确测算林木生长数据具有重要意义。目前在实际调查中,胸径、树高等林业数据一般是利用传统的测量仪器(如皮尺、卡尺等)进行测量和采集的,然后通过人工方式进行记录。然而这种方式存在以下问题:(1)需要采集的参数种类多样,经常会导致误测或漏测;(2)林业中需要测量的树木非常多,巨大的工作量需要耗费大量的时间和精力。因此,利用先进技术对树木生长进行有效预测,对森林科学经营管理具有重要意义。BP人工神经网络具有自学习、高速寻找最优解等优点,近年来,BP神经网络在林业中得到了逐步应用。针对目前林业数据采集和统计领域存在的问题,以及在林地评估领域的不足之处,本文以景宁县2004、2009和2014年国家一类清查的乔木人工林为研究对象,基于49块乔木林样地数据,设计了一种基于多因子融合的BP神经网络树木生长模型。利用皮尔逊相关系数根据相关因子与待预测因子之间的相关性选择出若干种相关性较高的影响因子作为树木生长模型的预测依据,然后构建多输入、三输出的BP神经网络结构,并利用遗传算法(Genetic Algorithm,GA)对BP神经网络进行优化,从而提高BP神经网络的精度。最后利用选择的数据训练神经网络,即为树木生长模型,通过输入若干种林木影响因子预测树木的平均树高、平均胸径和活立木蓄积量,并与其他模型进行了对比研究。实验结果表明,在100组测试数据中,平均胸径的总体相对误差为5.89%,平均树高的总体误差为2.77%,活立木蓄积量的总体误差为3.74%,模型总体误差低于其他模型,说明本文设计的生长模型对林分生长具有更好的预测能力,能够满足实际应用的需求。