饱和液体的热力学性质和传递性质在化学工程是不可缺少的基本参数。在化工科研和生产中，物性与温度的关联尤为重要。鉴于目前各种估算方法存在的缺点，本文提出用神经网络预测饱和液体物性与温度的关系。 本文研究了用物性与温度关系网络模型的学习方法。选择通用的三层前向神经网络作为工作网络，对网络的学习提出改进的算法，即阻尼二阶牛顿算法，用于替代传统的BP算法。同时研究了提高预测精度的措施，计算实验表明：通过适当变换以减少函数非线性程度；选择适当的工作区间、合适的中间单元数及系统组织数据可以加快网络收敛，提高精度。 用自行开发的阻尼牛顿二阶算法对用于预测饱和液体热力学性质的网络进行训练，取得非常好的结果，训练后进行样本集进行预测，对热容的预测平均误差为0．123％；对汽化热的平均预测误差为0.018％；对密度的平均预测误差为0.022％；对蒸汽压的平均预测误差为0.082％。 进一步对饱和液体的传递性质与温度的关系进行考察，对样本集的预测结果为：导热系数的平均预测误差为0．089％；表面张力的平均预测误差为0．037％；粘度的平均预测误差为0．125％。 通过用人工神经网络对饱和液体的热力学和传递性质预测结果与原文献值相比较，预测值与原文献值几乎一致。这一结果显示了人工神经网络技术在化工物性预测方面的成功的。 最后，为了方便查询和预测，本文开发了基于人工神经网络的石油化工物性估算系统。用户可以根据需要或查询或预测。