工程造价预测的主要特点是影响工程造价的因素众多，而相关资料较少。工程造价的多少与工程自身的特点有关，但它同时又受到许多不确定因素的影响，其系统是十分复杂的非线性系统。因此，如何反映工程自身特点与其造价之间的非线性关系，是构建工程造价预测模型的关键所在。而基因表达式编程作为新型的人工智能数学建模方法,具有很强的函数发现能力和很高的搜索效率。同时神经网络的计算能力有两个特点：①大规模并行分布式结构；②神经网络学习能力以及由此而来的泛化能力（泛化是指神经网络对不在训练集中的数据可以产生合理的输出）。这两种信息处理能力让神经网络可以解决一些当前还不能处理的复杂的大型问题。针对公路工程造价预测特点和已有预测模型的不足，求解基于主要特征因素和BP-GEP网络的公路工程造价预测模型。在应用BP神经网络建立模型，科学选取出12个公路工程造价主要特征因素的基础上，将18个特征因素与12个主要特征因素分别作为输入变量，与BP神经网络和GEP网络分别组合，应用15组高速公路工程造价和特征因素的资料数据进行实证研究，通过R平方、MSE、RMSE、MRE、MaxRE五个标准的评价，结果表明，用主要特征因素作为模型输入变量能显著提高所构建模型的预测精度；以12个主要特征因素为输入变量和GEP网络建立的公路工程造价预测模型为最优，GEP极强的非线性空间全局搜索的函数发现能力和很高的搜索效率再一次得到验证；基于GEP的公路工程造价预测模型在相当程度上弥补了以往模型的不足。研究选取的主要特征因素，将主要特征因素选取与预测方法选取相结合构建求解得出的最优模型，克服了已有相关研究特征因素选取方法主观性多科学性不足和未考虑特征因素选取对预测方法选取的影响问题，且在公路工程造价预测中具有更好应用价值。