全林分生长模型具有高度复杂和非线性。利用传统数学方法建立的反映林分生长过程的模型精确度有限。人工神经网络具有良好的非线性映射和高度的并行处理信息能力。因此,本论文采用人工神经网络技术对油松人工林全林分生长研究,选择不同林分生长因子建立预测模型。研究结果表明:(1)通过对二类调查数据的筛选和处理,将数据分成训练样本和检验样本,通过MATLAB工具箱建立以小班平均年龄、郁闭度、地位级为输入,以小班平均树高、平均胸径、每公顷蓄积量为输出的3:i:3的油松人工林全林分生长模型,其中i为4-21的18个值。分别分析了以平均树高、平均胸径、每公顷蓄积量为输出的生长模型,确定出了适合各自的模型结构:平均树高生长模型结构为3:17:3,平均胸径生长模型结构为3:21:3,每公顷蓄积量生长模型结构为3:19:3。比较分析了以三输出为整体的模型,确定出了3:17:3的模型结构。拟合出了四种模型结构的网络权值和阈值,并写出了四种模型的数学表达式: AH=logsig(∑LW~2a~1+b2),a~1=tansig(IW~1p+b~1); AD=logsig(∑LW~2a~1+b2),a~1=tansig(IW~1p+b~1); M=logsig(∑LW~2a~1+b2),a~1=tansig(IW~1p+b~1); HDM=logsig(∑LW~2a~1+b2),a~1=tansig(IW~1p+b~1)。(2)以模型对训练样本的拟合精度、均方误差和对检验样本的平均绝对百分误差、相关系数、最大绝对误差为指标对所建的四种生长模型进行对比分析显示每公顷蓄积量生长模型的精度要比其他三种模型差,这说明在小班具有相同的年龄、地位级下,不同的郁闭度对每公顷蓄积量的影响要比对平均树高和平均胸径的大。