野生动物的生存对其所处的生境密切依赖，任何一种生物都是通过长久以来不断的进化来适应栖息地的环境特征。通过对地形、植被等环境因素的分析，生境适宜度模型能够很好地表达主要环境因素对物种分布与丰富度的影响。由于这些优势，生境适宜度被广泛地运用于野生生物管理决策，栖息地适宜度空间预测以及紧急情况快速响应中。因此生境适宜度图被研究者广泛用于大熊猫栖息地研究。　　现有的大熊猫栖息地适宜度指数评价方法都是采用基于专家知识的层次分析法和回归分析。其中专业知识是先验信息和根据长期经验的主观意见的组合，因此它往往在计算动物栖息地指数时不那么客观，不同的专家意见也不同，某一地区适用的权重在另一地区不适用。针对以上问题，本研究提出了一种基于神经网络的动物栖息地适宜度评价方法，以减少动物栖息地评估的主观性。　　建立在两个假设基础上，这种方法用痕迹点密度替代栖息地适宜度指数作为初始的训练样本，绕开了基于层次分析法和多元回归统计法中专家打分定权的步骤。此外，该方法集成了一个人工神经网络，用于构建连接影响因子和输出结果的传递方程，以适应影响生境适宜多种因素之间互相作用的复杂关系。当神经网络训练完成并且被验证有效后，新的对地观测数据可以快速集成在栖息地的监控上，从而快速地进行栖息地适宜度制图。相比传统的通过大量的实地调查方法来进行数据采集以及专家打分的方式，该方法可以更高效地获取生境适宜度图。　　为了验证方法的有效性，本文将雅安大熊猫保护区作为研究对象。获取相应地区的陆地卫星图像、数字高程模型和地面观测数据。采用高程、坡度、坡向、地形指数、与水源地距离、植被分布、主食竹分布和与道路距离等八个要素作为影响因子，分别建立专家打分法、基于专家知识的神经网络法以及本文的改进神经网络模型，来检验方法的有效性。结果显示，相比其它两种方法，本文所提出的方法高效可靠，可以扩展到特别其他大型、稀有和广泛分布的动物物种的栖息地评估。