维持农产物价格总水平的稳定关系着国计民生,是规范市场秩序、确保市场供应和保障群众生活的重要基础。为了规避农产品价格波动的风险,近年来《政府工作报告》和中央一号文件中多次强调我国应建设农产品市场监测和预警系统,并做好农产品市场监测预警工作。大豆作为我国的主要油料和农产品作物,大豆的价格的剧烈变化将不可避免地导致整个社会价格水平的变动,影响着我国农业发展乃至社会经济的稳定。而大豆价格长期受到政策、通胀、供给和大豆国际市场等诸多因素共同的影响,具备非线性、随机性等特征,因此难以较好地探究出其价格波动规律。准确预测大豆价格,不仅对大豆种植生产具有指导意义,有利于规划大豆播种面积,优化调整生产结构,同时也能为大豆市场提供监测预警依据,确保大豆有效供给,而且对稳定国家经济至关重要。所以建立农产品价格预测模型具有其现实意义。本文的特点是将数据重构和数据分解思想引入群智能算法优化的两种机器学习预测算法构建大豆价格混合预测模型,并以大豆期货价格数据为例,选择1999年1月4日至2019年11月7日的大豆逐日历史价格数据。首先利用奇异谱分析（SSA）重构识别大豆期货价格数据主要信息,获取大豆价格重构数据,然后同时对大豆价格原始数据和大豆价格重构数据分别采用经验模态分解（EMD）、集成经验模态分解（EEMD）、快速集成经验模态分解（FEEMD）、完备经验模态分解（CEEMD）、改进的完备总体经验模态分解（ICEEMD）及变分模态分解（VMD）的六种模态分解（MD）方法得到六种类型的固有模态函数以及趋势项,采取两种数据预处理方法得到预测模型的输入数据。为了对非平稳时序数据进行长期预测,本文通过虎鲸算法（KWA）和粒子群算法（PSO）优化的SVR和BP神经网络构建KWA-SVR、KWA-BP、PSOSVR、PSO-BP四个预测模型分别对通过六种分解方法得到的子序列值进行预测,以获取价格的子序列预测值,并将预测结果集成汇总计算出最终大豆价格预测结果。最后,从误差分析和模型验证两个方面出发,并同时选取了4个单一预测模型,对比52个模型的预测结果和模型间的各方面预测性能。通过不同模型之间预测结果的对比,实证结果表明,本文构建的重构分解混合优化模型为最优模型,且通过了显著性检验,证明最优模型的各方面性能均高于其他比对模型,重构分解混合优化模型相比于单一模型、分解混合优化模型在大豆价格序列上有更好的预测效果,精度更高,符合实际预测需要;从模型的稳健型考虑,利用玉米价格数据验证了最优模型的高鲁棒性,表现出本文建立的重构分解混合优化模型在其他数据上的适用性,为其他农产品价格预测提供了新方向。因此本文的研究成果具有实际现实意义,可以在农产品期货市场等其他相关预测领域得到推广与应用。