铁路客运能够有效解决大流量旅客运输问题,对未来客流量的掌握能够促进铁路部门进行合理的资源分配和调整,以达到控制成本扩展收益的目的,因此精准预测铁路客运量至关重要。由于客运量受到多元化因素的影响,使其变化呈现非线性特征,因此本文引入灰色关联分析法、Verhulst模型和RBF神经网络原理对客运量预测进行研究,通过构建灰色预测模型和RBF神经网络预测模型,对它们进行一定的改进和组合,以望能降低模型预测误差,提高预测精度。首先本文通过定性分析将影响铁路客运量的众多相关因子分为不可量化和可量化两大类,再通过对灰色关联法的研究,计算可量化因子与客运量的具体关联度,选取关联度大于0.6的十一项可量化因子作为后续建立RBF神经网络预测模型的输入信息。然后从初始值优化的角度出发,对传统Verhulst模型进行改进,提出以X^（0）（n）和以X^（0）（1）+ε为初始值的预测模型,并应用五组实例将其与传统Verhulst模型、以X^（1）（n）为初始值的灰色模型和以X^（1）（n）+ε为初始值的灰色模型进行预测结果对比,结果表明,本文提出的改进型Verhulst模型具有一定的实用价值,其预测平均相对误差均低于其他三种模型,预测精度得到了一定的提升。之后通过对RBF神经网络的训练算法和灰色神经网络模型的串联、并联、嵌入、混合四种常用的组合方式进行研究,并实例验证选取基于影响因子的串联型方式作为最终的组合方式,以1952年至2017年66年的国家铁路客运量数据及其主要影响因子数据为基础,对改进Verhulst模型、RBF神经网络模型、以梯度下降法训练的组合模型、以拟牛顿法训练的组合模型和以LM算法训练的组合模型进行预测性能分析,结果表明基于LM算法训练的改进灰色Verhulst_RBF神经网络组合模型的预测平均相对误差最低,相比其他模型分别降低了0.1849、0.0199、0.0293、0.0026。最后在基于LM算法训练的改进灰色Verhulst_RBF神经网络组合模型的基础上,通过构建双层隐含层,进一步提高预测精度,将平均相对误差由0.0737降低至0.0153,得到预测结果最好的模型,并将其应用于春节客流的预测中。