木材特性是决定林木生产加工的重要因素。木材特性受多种条件影响,包括遗传因素、立地条件、气候因了等,其中以气候因子的影响最为显著。因此,在我国气候环境问题严重、森林资源锐减的今天,掌握气候因子对木材特性的作用规律,对于木材的培育和生产加工有着重要的意义,对实现林业的优质、高效、高产、可持续的发展与利用具有深远的影响。以往的研究,多是用数据分析、回归方法研究气候因子对木材特性的相关性的影响,对优化培育措施方面具有一定作用,但不能根据具体木材本身的特性进行研究,更不能通过气候因子来预测木材的特性。本研究以人工林大青杨为研究对象,在气候因子对木材特性的影响的基础上,研究了利用智能决策手段对人工林大青杨的特性的预测问题。具体的过程包括,通过对文献的研究,选择了对木材加工利用较为重要的三个特性作为预测对象,即预测模型的输出,并剔除了对这三个特性明显无关的气候因子；通过回归分析的方法,筛选出相关性较大的气候因子,即预测模型的输入。第二,在对RBF神经网络研究的基础上,提出了一种改进网络结构的RBF神经网络,并运用到预测模型中。第三,在前文确定的主要的气候因子基础上,研究了对木材特性影响较大的极端和累积温度值,修正之前模型的输入,基于模糊神经网络建立了预测模型。第四,基于前面模型的不足,提出一种利用遗传算法改进的RBF神经网络,自适应的确定模型的参数,建立了气候因子对木材特性影响的预测模型。基于上述过程取得的成果：(1)通过文献的研究,确定预测模型输出分别为：生长轮宽度、晚材率和晚材纤维壁厚。利用线性回归分析,确定各模型的输入,生长轮宽度预测模型的输入为：9月日照百分率、11月日照百分率、4月相对湿度、7月相对湿度、8月相对湿度、2月最高地温；晚材率预测模型的输入为：8月平均气温、6月相对湿度、6月降雨量、8月降雨量、8月日照百分率、11月日照百分率、1月地面温度、1月最低地温、3月最高地温；晚材纤维壁厚预测模型的输入为：7月平均气温、5月相对湿度、9月相对湿度、10月相对湿度、11月相对湿度、5月降雨量、9月降雨量、10月降雨量、8月日照百分率、7月地面温度、10月地面温度、8月最低地温。(2)利用改进网络结构的RBF神经网络建立的预测模型,增加了输入层对输出层的直接影响,利用MATLAB进行仿真,从结果可知,收敛速度和预测精度都比较理想。从速度看三个模型的收敛速度分别为36步、38步、38步,收敛速度比较快,可实现在线训练；从预测精度上看,三个模型的平均误差则分别为2.37%、0.24%、0.09%,其中最大误差分别为2.87%、0.29%、0.12%。由此可知,基于改进网络结构的RBF神经网络适用于晚材率、晚材纤维壁厚的预测,对生长轮宽度的预测的误差较大,有待进一步改善。(3)改进了原晚材率的预测模型的输入,并利用改进的模糊RBF神经网络建立模型,用晚材率影响较大的极端值和累积值(年生物温度、温暖指数),替换了原8月日照百分率、1月最低地温,通过MATLAB仿真结果可知,平均误差为0.21%,最大误差为0.25%,较之前的0.24%和0.29%,在预测精度上均有一定程度的改善。(4)将一种基于遗传算法改进的RBF神经网络用于木材特性的预测,对(2)中的生长轮宽度、晚材纤维壁厚模型预测,并对(3)中的晚材率模型进行预测,从结果可以看出,生长轮宽度模型、晚材率宽度模型、晚材纤维壁厚模型的误差分别为0.31%、0.15%、0.10%,较之前的模型精度均有所提高,且晚材纤维壁厚模型的收敛速度也有提高,从之前的38步提高至现在的32步,说明改进的算法提高了预测模型的准确性和学习能力。