农产品价格的剧烈波动不仅增加了农业参与者面临的经济风险,而且对人民的日常生活产生了不利影响,带来不必要的心理恐慌。农产品价格预测,有利于农业从业者对农产品市场存在的风险做出及时反应,有助于相关机构和政府部门采取及时有效政策对农产品市场进行宏观调控。为了有效提高农产品价格时间序列的预测精度,本文结合农产品价格时间序列预测的特性,研究基于经验模态分解方法的集成预测模型,对目前方法进行改进,以提高农产品价格时间序列的预测精度。首先,针对目前经验模态分解算法存在的端点效应和模态混淆问题,本文提出了基于相似三角形波形匹配的组合延拓方法,并结合添加互补噪声方法对经验模态分解算法进行改进,以抑制端点效应和模态混淆。仿真实验表明,该改进的经验模态分解算法能有效抑制端点效应和模态混淆。其次,针对农产品价格时间序列的非平稳性和小样本等特点,以及SVR模型的参数选择和过拟合问题,本文提出一种基于改进的GA-SVR预测模型。通过GA算法选择算子的随机性分析,提出了一种差异选择算子,对比其他选择算子,在复杂问题搜索最优解的问题上,差异选择算子更加有效。基于改进的GA算法寻找最优的SVR预测模型参数,构建了农产品价格的SVR预测模型。实证分析表明,相对RBF神经网络,GA-SVR在农产品价格预测上的预测性能更高。最后,针对单一预测模型难以解决复杂时间序列的预测建模的问题,本文运用互补集合经验模态分解法将其分解为多个简单并相对平稳的本征模态函数（Intrinsic Mode Function,IMF）以提高预测精度。同时,考虑到经验模态分解中可能出现的模态混淆问题,使用排序熵（Permutation entropy,PE）对IMF序列进行复杂度分析,进一步分解复杂度高的序列,以确保获得较平稳的IMF序列。进一步,利用灰色关联度（Grey correlation degree,GCD）对多个子序列进行关联性分析,合并关联度高的子序列,以减少预测建模时间。实证表明,结合GA-SVR,本文提出的互补集合经验模态分解集成预测模型（CEEMD-PE-GCD）能有效提高预测精度,并减少运算时间。