环境恶化、耕地面积减少、人口问题、全球气候变暖等一系列因素影响着农业生产,威胁着粮食安全。粮食安全保障至关重要,准确的粮食产量预测,对于指导农业生产、保持粮食产量的持续增长和粮食安全有着十分重要的意义。但是目前比较流行的粮食产量影响因子分析和预测模型存在许多不足:一些模型仅仅注重粮食产量的相关性分析;一些模型仅仅注重粮食产量的预测,忽略了粮食产量和影响因素之间的关系;一些模型对粮食产量的影响因素进行了分析,但是忽略了模型中可能存在多重共线性问题;一些模型的预测精度比较低。为了解决这些不足,本文基于灰色关联分析-影响因子共线性判断-变量选择-多元线性的组合预测模型对2014-2017年河南省粮食产量进行预测,基于GM(1,1)和BP神经网络的组合模型预测未来一段时间的影响因子和产量数据。本文对河南省粮食产量变化趋势深入了解后,首先针对各因素对河南省粮食产量的影响机制进行具体阐述,最终确定河南省粮食产量主要影响因素有乡村从业人口、农机总动力、灌溉面积、化肥使用量、农村用电量、农药使用量、薄膜使用量、柴油使用量、播种面积等并使用X1、X2、X3、X4、X5、X6、X7、X8、X9表示这9个影响因子。本文所做的具体工作如下:(1)对其进行了数据收集和缺失值的填充。(2)基于1990—2017河南省粮食产量的9个影响因素,基于GRA灰色关联分析法对河南省粮食产量影响因子进行关联因素分析。(3)使用皮尔森相关系数和VIF方差膨胀因子对灰色关联分析模型选取的关联因素进行共线性的诊断。(4)分别使用Lasso变量选择和岭回归变量选择剔除可能产生多重共线性的影响因子。(5)划分训练集和测试集,分别基于多元线性回归模型、随机森林模型、灰色关联分析-Lasso变量选选择-多元线性回归、灰色关联分析-岭回归变量选择-多元线性回归这四个模型对2014-2017年河南省粮食产量数据进行预测。(6)因为Lasso变量选择筛选的三个影响因素乡村从业人口、灌溉面积、化肥使用量对于2014-2017年粮食产量拟合程度最高,所以使用GM(1,1)模型和BP神经网络结合Lasso变量选择筛选的影响因子拟合出2018-2021年河南省粮食产量。实验结果表明:基于灰色关联分析-多重共线性判断-Lasso变量选选择-多元线性回归模型,灰色关联分析-多重共线性判断-岭回归变量选择-多元线性回归模型的预测精度均高于多元线性回归模型和随机森林模型的预测结果,其中基于灰色关联分析-多重共线性判断-Lasso变量选选择-多元线性回归模型的预测精度最高,灰色关联分析-多重共线性判断-岭回归变量选择-多元线性回归模型次之。基于灰色关联分析-Lasso-多元线性回归模型的平均相对误差比多元线性回归模型提高了大约3.3个百分点,相比随机森林模型提高了大约4.3个百分点。灰色关联分析-岭回归变量选择-多元线性回归模型相比多元线性回归模型提高2.3个百分点,相比随机森林模型提高了大约3.3个百分点。这两种模型均是有效的粮食产量影响分析和预测方法。GM(1,1)模型和BP神经网络组合模型实验表明:2018-2019年粮食产量平均相对误差为2.55,是一种进行短期粮食产量预测的有效方法。