針對(duì)傳統(tǒng)稅收預(yù)測(cè)模型精度較低的問題，提出一種將Adaboost算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行稅收預(yù)測(cè)的方法。該方法首先對(duì)歷年稅收數(shù)據(jù)進(jìn)行預(yù)處理并初始化測(cè)試數(shù)據(jù)分布權(quán)值；然后初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，并將BP神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器對(duì)稅收數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練和調(diào)整權(quán)值；最后使用Adaboost算法將得到的多個(gè)BP神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器組成新的強(qiáng)預(yù)測(cè)器并進(jìn)行預(yù)測(cè)。通過對(duì)我國(guó)1990-2010年稅收數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明該方法相比傳統(tǒng)BP網(wǎng)絡(luò)預(yù)測(cè)，平均誤差相對(duì)值從0.50%減少到0.18%，有效地降低了單個(gè)BP陷入局部極小的影響，提高了網(wǎng)絡(luò)預(yù)測(cè)精度。