货币供给量是我国中央银行货币政策中介目标，对货币供给量的调控将对货币政策最终目标产生重大影响，而要把握货币供给量，则应从货币市场均衡角度出发，对当前经济环境中的货币需求进行分析。所以确立一个稳定、合理和可预测的货币需求函数对于货币当局实施有效的货币政策具有重要的意义。　　 由于宏观经济系统是一个非常复杂的系统，广泛存在着非线性、时变性和不确定作用关系。尤其在当前我国正处于社会主义市场经济体制各方面有待改革和完善阶段，经济变量的增多及随机因素的影响等使得货币需求函数变得更加复杂。在这种情况下，迫使人们寻求一种非线性工具进行建模。人工神经网络的非线性高度逼近能力为宏观经济分析提供了一条全新的途径。但是传统的BP神经网络由于本身存在收敛速度慢，人工神经网络易陷入局部极小值的原因，使得其在应用方面具有一定的局限性。因此综合考虑以上原因，需要搭建一种更适合的模型来建立货币需求函数。广义回归神经网络以其良好的非线性映射能力和建模需要样本数量少的特性提供了有效的工具。　　 本文通过对广义回归神经网络与BP神经网络训练过程的比较，给出了解决货币需求函数人工神经网络非线性建模方法的选择。选取中国近十年的宏观经济变量季度数据，对协整与误差校正模型界定并估计，建立了基于广义回归神经网络的货币需求函数非线性模型。通过论文给出模型与货币需求函数M1、M2三次多项式误差校正模型预测结果比较，证明了论文给出模型的有效性及抗干扰性。根据货币需求函数模型预测结果与2007年的季度实际值比较，验证了模型的可行性。