为探究城市扩展规律，模拟城市的空间变化趋势，对于客观判断城市未来发展、制定合理且可行的土地政策具有重要意义。近年来，元胞自动机作为一种研究复杂系统随时空变化的典型方法，虽已有广泛的地理学应用，但仍存在转换规则难以自动获取、时间难以界定等具体问题。人工神经网络适宜于解决复杂非线性问题，在城市系统建模问题上较线性回归方法具有优越性，将其引入元胞自动机模型可以较好地解决在城市扩展模拟中获取转换规则的问题。因此，本文提出应用基于神经网络的元胞自动机模型来模拟和预测城市扩展。　　 论文内容包括：①综述了元胞自动机和神经网络在国内外城市系统应用研究的研究进展和面临的问题；②介绍了基于CA和ANN模拟城市扩展的理论基础；③基于MATLAB平台，耦合ANN和CA，构建了CA-ANN-URBAN模型，该模型包括分为数据预处理、空间变量选取、ANN参数设置、样本采集、神经网络训练、模型校正、模型模拟和预测等主要流程；④利用LCM-CT数据验证模型并通过实验分全图与子区测试了相关参数，分全图与子区重建了1986年至2000年的扩展过程，比较了模型内不同迭代时间间隔设置方案的模拟精度；⑤利用遥感技术提取北京市朝阳区的城市扩展变化信息，并利用GIS技术分析研究区域土地利用变化特征，在此基础上应用该模型重建了朝阳区1991年至2007年城市扩展过程，并预测了该区域2008年至2020年的扩展情况，讨论了模拟结果与实际分类图的空间差异及可能的原因。　　 论文结论包括：①通过实验发现在采样样本固定的前提下，神经网络结构中隐层神经元的数量变化对于模型精度变化没有实质的影响；②通过LCM-CT数据两种区域(全图与子区)的对比实验，发现无论对逐年还是等间隔方案，子区的模拟精度指标值均高于全图，表明模型对于城市较为集中的区域更有效，这一结论也在朝阳区得到验证；③对于LCM-CT和朝阳区两个不同数据集的模拟结果说明，模型具有较好的适应性，证明了本文提出的CA-ANN-URBAN是一种有效的城市扩展模拟方法。