我国是多山之国,受岩层断裂等地质构造的影响,许多山山体陡峭,岩石结构不稳固,加之森林覆盖面积不多,人均绿化面积只有1.9亩,仅为世界人均占有量的1/5,进而给地震、洪涝、滑坡、泥石流等自然灾害的发生创造了“良好的条件”。在这些灾害中,最具影响力的,破坏力极强的,给人们的生命财产造成巨大威胁的就是泥石流。泥石流灾害对人民生命财产安全构成严重威胁,并制约着当地经济社会的发展。每年由于泥石流灾害死亡的人数都位居全国水旱灾害死亡人数的前列,经济损失从数百万元到数十亿元。因此,大规模的展开泥石流等自然灾害的灾前预测、预报工作有着非常重要的理论意义和实际价值。当前,对于泥石流灾害的预测工作主要是利用多元统计分析中的回归分析和灰色系统中的GM预测模型进行的。但回归分析建模所需的数据较多；灰色系统预测模型中由于灰导数的引入,使得所建立模型的预测精度不高；BP神经网络模型具有良好的泛化能力、在训练时可使网络不断优化,且整个训练过程中,相比回归模型而言所需样本较少、相对灰色预测模型而言其预测精度较高。本文通过实例说明利用BP神经网络模型对泥石流灾害进行预测是一种精度较高的预测方法。尽管BP神经网络模型的容错率较强、预测精度较高,可以将其应用于泥石流灾害的预测,但由于网络在训练时,学习率、动量因子等参数的取值往往凭经验甚至是尝试取得,此外,BP神经网络模型在泥石流预测时所花费的时间较多,收敛速度较慢。因此,本文利用泥石流灾害发生相关数据,建立了网络在训练时隐层节点数、学习率、动量因子同收敛训练次数之间的关系模型,使网络中的参数有了取值依据；并就网络权值的修正和网络训练时转移函数的选择两方面对BP神经网络模型进行模型改进,结果表明：将改进后的BP神经网络模型应用到泥石流灾害预测中,预测精度更高,且网络收敛速度较标准BP神经网络模型有了很大的提高。