随着处理器流水级的加深，分支预测器的预测精度对于处理器性能的影响日益显著。现有分支预测研究中，更多关注如何提高预测性能，而不关注其硬件开销，本文将着重研究在较低电路开销下，分支预测器的性能。并提出一种新的可变路径神经网络预测算法。　　论文中首先测试了在较低电路开销下，各种饱和预测器和神经网络预测器的性能表现。结果显示神经网络预测器在1KB至8KB的存储开销下，拥有更好的预测精度。在此基础上，我们分析了在神经网络预测算法中存在的空间浪费，以及神经元权重在程序运行过程中的分布规律，证明了在大部分情况下，神经元权重的最高有效位没有被使用，使得存储空间浪费了八分之一。因此我们提出了一种可变路径神经网络预测算法。通过设置标志位使得预测器可以工作在两种存储状态下：1、长路径小权重状态2、短路径大权重状态。两种存储状态的切换使得原神经网络预测算法中浪费的空间被重新利用，提高了预测性能。我们在simplescalar模拟器中实现了该算法，并进行模拟。测试结果显示该算法在几乎不增加存储开销的情况下实现了线性性能提升。最终将该预测器在一个RISCV指令集的七级流水线处理器中实现，并通过仿真验证了其功能的正确性。