准确的客运量预测结果是进行交通规划与管理的主要依据之一。论文旨在通过对客运量预测的特点进行研究，寻找提高预测精度的途径，研究适用于数据样本缺乏时的灰色-广义回归神经网络(G-GRNN)预测模型。论文首先对客运量预测的特点进行了研究，指出客运量的预测具有非线性和小样本的特点，在此基础上，阐述了预测工作的思路与步骤，并对影响客运量的主要因素进行了分析。论文对常用的客运量预测方法，如回归分析预测模型、指数平滑预测模型、定性分析法和BP神经网络模型等预测模型及其特点进行了综述，并分析了上述模型在运用中存在的优缺点。论文在对广义回归神经网络理论研究和国内外运用情况分析的基础上，指出广义回归神经网络预测模型能较好的满足客运量预测要求。结合灰色预测方法对原始数据进行生成处理，利用生成数据序列建立预测模型的思想，论文研究了灰色-广义回归神经网络预测模型，并探讨了三种模型结构并联型(PG-GRNN)、串联型(SG-GRNN)和嵌入型(IG-GRNN)。在此基础上，论文分别研究了基于回归分析的灰色-广义回归神经网络预测模型和基于时间序列的灰色-广义回归神经网络预测模型，提出了模型建立的思路与流程，对模型建立过程中的输入／输出数据预处理、平滑参数的确定以及小样本条件下输入神经元数目的确定等关键问题进行了分析，并提供了有效的解决途径。论文最后以四川省1997-2005年铁路客运量数据作为实例，计算结果表明，采用灰色-广义回归神经网络预测模型进行客运量预测，无论在对历史数据的拟合还是在模型外推检验方面均比回归预测模型、三次指数平滑模型和BP神经网络模型具有更高的预测精度。