据我国统计部门分析,猪肉消费在我国肉食消费中占据了居民消费总量的百分之七十以上。猪肉的生产和销售过程易受市场、资金及其相关事件的影响,从而造成市场物价频繁波动,进而直接影响居民的日常消费及其各产业的经济发展。研究猪肉价格变化规律,提前预测猪肉价格的变化,并提出较为合理的控制措施,对保证国计民生,实现猪肉产业链的健康平稳发展最有重要的意义。本文研究了多因素组合模型的猪肉价格预测方法,不同的模型对于数据分析的侧重点不同,各有特点,模型组合可以充分发挥单一模型的优势,有效提高预测精度。同时,猪肉价格受多种因素的影响,增加了预测的难度,组合多种因素进行价格预测能更充分的分析猪肉价格规律。本文通过查阅相关资料和运用网络爬虫获取数据,选取了我国猪肉价格相关数据,通过对数据进行处理,分析猪肉价格的影响因素,利用多模型组合的方式建立猪肉价格模型预测。结果表明所构建的多因素组合模型具有较高的准确率,为实现猪肉价格预测提供理论和技术支撑。本文主要研究内容如下:（1）通过查阅相关数据库、文献,运用网络爬虫技术,获取不同时间尺度的我国猪肉价格、猪肉相关产品价格、猪肉市场供应量、突发因素等数据,并对数据进行预处理,建设猪肉价格数据库。（2）使用H-P滤波法、Census X-13季节调整法、皮尔逊相关系数等方法从趋势性、周期性、季节性、相关产品价格、供需关系和疫病影响等方面,对猪肉价格变化特性进行了分析,最终确定从猪肉价格自身波动,相关价格因素、其它因素三个方面进行猪肉价格的预测。（3）分别引入了BP神经网络模型、LSTM神经网络模型、SVR支持向量机回归模型三种方法针对不同方面因素进行猪肉价格预测及分析,为了提升模型预测能力,使用权重分配法BP-LSTM-SVR（w）和堆叠法BP-LSTM-SVR（s）进行模型组合,使用平均绝对误差（MAE）、均方误差（MSE）,均方根误差（RMSE）作为对模型性能的评判准则并进行对比,结果表明虽然单一模型可以进行猪肉价格的预测,但单一模型只能表达一种映射关系,预测效果仍有待改进。多因素组合模型则可以很好的减少预测的误差,其中,BP-LSTM-SVR（w）组合模型的误差分别为1.26、1.69、2.85、BPLSTM-SVR（s）组合模型误差分别为0.30、0.53、0.28。这表明采用堆叠法组合的BPLSTM-SVR（s）多因素模型效果更好,能综合单一模型的优点有效降低预测误差,可用于对猪肉价格进行预测。