本论文的研究目的是利用现代控制领域的新技术建立科学的税收预测模型，以促进税收预测工作走向科学化、精细化的道路，使预测结果更加可靠、准确，更好地辅助税务机关决策。税收计划是国家预算的重要组成部分，是税务机关在一定时期内组织国家税收收入的目标，是衡量税收工作质量的主要标志。准确预测税收收入的规模对国民经济持续、稳定、高速发展有重大的意义，对创建公平、竞争的市场经济以及和谐稳定的社会起着重要的作用。可靠、准确的税收预测是税收计划的前提与基础，是制定科学的税收计划的必要条件。 本文首先利用传统计量经济学中的统计回归方法分别建立了税收预测的趋势模型、影响因素模型以及自回归模型。经过统计学检验和预测法检验，证明模型可靠，解释能力强，预测精度较好。作者从经济理论上解释了模型的合理性，阐述了其经济意义，并从模型中总结出一些定量的结论。 为避免“虚假回归”现象，作者利用协整理论分别检验了相关时间序列的稳定性、单整性和协整性，在此基础上，建立了税收预测的误差修正模型。经检验，该模型预测精度较高，可以满足实际预测工作的需要。该模型将影响税收的来源分解成两部分：短期波动和长期均衡，使税收预测更加符合实际情况。作者从经济学角度对这两部分进行了解释与说明，阐述了其合理性。 本文重新审视税收与经济的关系，将其从传统可解析的某种数学方程关系上升到非线性映射关系。这种认识更加符合实际情况。BP神经网络具有非凡的非线性映射能力与泛化能力，作为目前被广泛使用的非线性建模工具，它可用于税收预测的建模。本文利用这个高效工具，成功建立了基于BP神经网络的单变量模型与多变量模型，经检验，两个模型性能较好，预测结果准确。此外，针对BP网络的缺陷，提出了改进的方法，提高了BP网络的学习性能与泛化能力，较好地解决了拟合与泛化的矛盾，避免了过度拟合的现象。 依靠误差梯度信息进行学习的BP神经网络容易陷入局部极小，而多点随机寻优的遗传算法具有全局寻优的优势，本文将遗传算法用于BP神经网络的权值与阈值的寻优过程，建立了基于遗传算法优化的BP神经网络税收预测模型，其学习性能较好，预测精度比相应的BP神经网络模型有所提高。此外，针对遗传算法容易在全局极小值附近产生振荡的现象，本文将局部寻优函数与遗传算法结合，确保寻优结果是全局最优，取得了较好的效果。 本文还就单模型预测与组合预测进行了讨论。在每章的小结，作者还对每一种模型的优势、缺陷、适用条件以及运用范围进行了讨论。在论文最后的“结论”一节，除总结本论文所做的研究工作与成果之外，还列出作者在研究过程中发现的问题，以待进一步研究。