近年来,建筑业对国民经济增长贡献突出,面对目前复杂的国家宏观经济环境和日益激烈的企业竞争形势,如何在建设项目前期快速、准确编制投资估算越来越重要。然而,目前所广泛采用的如定额法、实物法等,在前期缺乏其编制估算所需要的工程图纸、工程量及相关材料,其编制过程耗时耗工,估算准确性也容易受到主观因素影响,给投资估算带来了相当大的难度。论文根据人工智能领域的神经网络理论和案例推理理论,建立了相应的快速预测模型,在此基础上通过主成分分析对项目成本预测进行了研究,进一步提高了其预测精度。因此,论文的研究具有一定理论和实践意义。论文的主要工作如下：1、论文针对选题的背景及国内外研究现状进行了分析和总结,阐述了投资估算领域现行的工程项目主要估算方法及相关的预测模型,并重点对案例推理模型进行了介绍,主要包括案例推理的基本理论、实施步骤和特点等。建立了基于案例推理的预测模型框架,为后续研究奠定了理论基础。2、建立基于BPNN的投资估算模型,首先对神经网络基本理论进行介绍,主要有神经网络的基本思想、算法流程等。然后建立已有历史案例库,构建用于案例推理的神经网络模型,并进行神经网络训练和预测,从平均误差百分率(Mean Average Percent Error, MAPE)对预测精度进行分析和比较。3、建立基于CBR-GA的成本估算模型,首先对遗传算法基本理论进行介绍,主要有遗传算法的基本思想、算法流程等。然后建立已有历史案例库,构建案例推理模型,并利用遗传算法进行优化求解属性权重。最后,构建案例相似度模型,并对项目成本进行预测,利用平均误差百分率(MAPE)对预测精度进行分析和比较。4、结合主成分分析理论对构建的建筑成本估算模型进行改进,建立PCA-CBR-GA模型和PCA-BPNN模型,主要包括主成分分析理论介绍,利用主成分分析分析在已构建的模型基础上建立修正模型,并结合案例再次进行验证,从MAPE指标分析其预测精度,并对BPNN模型及CBR-GA模型进行了比较分析。论文的研究对智能算法在工程项目投资估算领域理论研究、工程项目前期投资估算预测实践应用有一定借鉴作用。