Las predicciones actuales de la capacidad de producción de pozos de gas de esquisto principalmente se basan en métodos de simulación analítica y numérica, que requieren cálculos extensos y ajustes manuales de parámetros y producen predicciones poco precisas. Aunque el uso de redes neuronales proporciona predicciones altamente precisas, estas pueden caer fácilmente en óptimos locales. Este artículo sugiere un nuevo enfoque para utilizar redes neuronales optimizadas por la búsqueda de Cuckoo (CS) para hacer predicciones de capacidad de producción de pozos de gas de esquisto más precisas y resolver el problema de los óptimos locales. Su objetivo es ayudar a los ingenieros a idear planes de desarrollo y estrategias de producción más efectivos, optimizar la asignación de recursos y reducir el riesgo. El método primero analiza los factores que influyen en la capacidad de producción de pozos de gas de esquisto en un bloque ubicado en el oeste de China a través de coeficientes de correlación. Identifica los principales factores que afectan el flujo abierto absoluto de la prueba de gas como contenido de carbono orgánico, tasa de pasaje de capas pequeñas, presión de fractura, volumen de ácido, volumen de fluido de bombeo, contenido mineral frágil en la roca y densidad de la roca. Posteriormente, se utilizó el algoritmo CS para realizar el entrenamiento global de la red neuronal, evitando el problema de los óptimos locales, y se estableció un modelo de red neuronal para predecir la capacidad de producción de pozos de gas de esquisto optimizado por el algoritmo CS. Un análisis comparativo con otros métodos relevantes demuestra que el modelo de red neuronal optimizado por CS puede predecir con precisión la capacidad de producción, lo que permite una explotación más racional y efectiva de los recursos de gas de esquisto, reduciendo los costos de desarrollo y aumentando los retornos económicos de los campos petrolíferos y de gas. En comparación con la simulación numérica, SVM y los algoritmos de red neuronal BP, el algoritmo de red neuronal BP optimizado por CS (CS-BP) muestra un error de predicción significativamente menor. Su coeficiente de correlación entre los valores predichos y reales alcanza hasta 0.9924. Experimentos de verificación realizados en otro pozo de gas de esquisto también demuestran que, en comparación con el algoritmo de red neuronal BP, CS-BP ofrece un rendimiento de predicción superior, con una validación del modelo que muestra un error de predicción de solo 0.05. Este estudio puede facilitar una explotación más racional y eficiente de los recursos de gas de esquisto, reducir los costos de desarrollo y mejorar los beneficios económicos de los campos petrolíferos y de gas.