在非常规油气资源评价中，产能预测至关重要。传统基于岩石物理模型的页岩气预测方法常依赖于理想化假设与简化参数，难以刻画实际储层的复杂性，导致预测误差较大。为提升预测精度，本文以涪陵页岩气田的实际数据为基础，提出了一套模型驱动的智能预测方案。该方案首先系统分析了影响该区页岩气井产能的地质与工程因素。进而，创新性地引入梯度重要性算法，从众多参数中量化筛选出对产能影响最显著的核心变量，实现了关键影响因素的客观优选。在此基础上，构建了结合遗传算法与反向传播神经网络的GA-BP预测模型，通过遗传算法优化网络参数，有效提升了模型的稳定性和预测性能。为验证方案有效性，研究设计了两组对比实验：第一组仅依据传统储层品质参数进行预测，结果各模型精度普遍较低，其中GA-BP模型的决定系数（R²）仅为0.353；第二组采用梯度重要性算法优选的综合参数集后，所有模型预测精度显著提升，GA-BP模型的R²更是达到0.707。这一对比强有力地证明了所提参数优选方法的准确性与必要性。综上所述，本文构建的以梯度重要性算法进行参数降维、以GA-BP神经网络进行智能预测的方案，有效克服了传统方法的局限，显著提高了页岩气产能预测的精度与实用性，为非常规油气藏的高效开发评价提供了可推广的智能解决思路。

页岩；产能预测；水平井；梯度重要性；遗传算法；BP神经网络