采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型,模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量,以煤灰流动温度作为输出量,对126组来自中国北部地区的煤灰样数据进行训练与测试,并建立常规BP神经网络模型,研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。结果表明:不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力,所有预测结果相对平均预测误差均不超过4%。酸碱质量比和硅铝质量比参数作为神经网络输入层的添加,虽略微提高模型对训练样本的拟合程度,但也导致验证时过拟合现象的发生,模型对新样本的拟合优度下降。采用SiO2,Al2O3,Fe2O3,CaO,MgO 和Na2O+K2O 的质量分数6个参数作为输入变量的GA-BP模型最为适合,其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。