周期性时间序列是一类经常出现于经济金融领域的随机过程，因其具有非平稳性而不适合于以经典统计学模型进行建模预测分析。针对非平稳时间序列的ARIMA改进模型，虽然具有一定的对于周期性时间平稳化的处理能力，但其预测效果仍然不够理想。本文探讨利用神经网络算法用于周期性时间序列预测问题的能力，并通过将成分分解算法与神经网络算法结合，构建适应于周期性时间序列特点的预测方式，最后通过编写程序实现算法。本文还通过利用多种宏观经济指标数据进行实证分析，比照研究神经网络算法和统计学模型的模型特点，并进一步探讨新模型在经济领域内的实际应用价值。本文的算法通过引入X-11成分分解算法，将一个周期性时间序列分解成为趋势、季节以及异常成分，以提高神经网络学习训练的质量，并增强其预测结果的可解释性，从而弥补了神经网络算法的机理不明的缺点。本文深入讨论了基于成分分解算法的X-12-ARIMA算法的基本思路和操作过程，特别对于异常成分的意义与预测方法进行了深入的研究，指出神经网络算法更加适合于分解成分的单独建模，通过用神经网络方法代替一般所用的ARIMA建模方法。对于神经网络学习过程，本文通过实验研究神经元权值与阈值修正系数对于神经网络学习效率的影响，并实验性地编写自适应模块，用以帮助程序自动确定最佳的系数。引入平均总误差指标和多次重复学习的方法，克服其随机性带来的模型的不稳定性。通过实证证明，对于具有明显周期波动模式，且趋势成分具有平稳性的时间序列，新模型相对于经典统计学模型表明出很大的优势。