大宗商品是经济发展的基本物质基础，随着经济全球化的发展，国际期货市场中各大类大宗商品价格波动剧烈，而全球经济形势不明朗以及货币政策不确定使得大宗商品期货价格难以被准确预测。本文选取玉米，黄金，原油分别作为大宗商品农产品类、金属类、能源类的代表对象，结合多种时间序列分解方法，分析了大宗商品期货价格波动机制，建立了基于ELM的大宗商品价格预测模型，对大宗商品期货价格未来走势进行预测。此研究对于大宗商品相关部门正确把握经济市场动向，制定行之有效的经济政策具有重要的辅助作用。主要的研究工作和结论如下:　　1.基于非线性时间序列分解方法的大宗商品价格波动机制研究:分别采用小波分析(wavelet transform，WT)，奇异谱分析(Singular Spectrum Analysis，SSA)，经验模态分解(Empirical Mode Decomposition，EMD)，以及变分模态分解(variational mode decomposition，VMD)四种方法对三类大宗商品期货价格进行分解，分解结果显示，三类大宗商品除去整体价格趋势外还具有不同的周期和波动特征。频率低的分解量代表期货价格的整体趋势，而频率高的分解量体现价格的周期变化，此外，分解量具有比原始序列更加清晰的波动聚集现象，代表了在相应经济事件影响下的价格波动。通过对价格分解量的分析，能够把握大宗商品期货价格的主要趋势以及固定的周期性变化，并获知其他外界因素引起的价格波动，理解其价格变化的经济机理。　　2.基于分解-重构策略的大宗商品价格ELM预测模型构建:在分解的基础上，通过minimaxi阈值信号处理法和集成有效分解量方法剔除噪声项，得到代表价格主要趋势和周期波动信息的重构序列，结合极限学习机算法(Extreme Learning Machine，ELM)建立Recon-ELM预测模型，并与传统模型进行了比较。实验结果表明基于分解-重构的模型对期货价格的预测效果大都优于传统的时间序列模型，也明显优于基础的ELM模型。其中SSA作为基于统计原理的非参数时间序列分析技术，能将已知的时间序列分解成为若干个相互独立的子序列，因此，采用SSA得到的重构价格序列具有很好的降噪效果，与WT、EMD以及VMD相比，基于该方法得到的SSA-Recon-ELM模型在三类大宗商品价格的预测上综合效果最优。　　3.基于分解-集成策略的大宗商品价格ELM预测模型构建:采用ALL、Kmeans、Fine-to-coarse三种方式提取大宗商品期货价格的特征序列，并结合极限学习机算法提出分解-集成预测模型(Add-ELM)，进一步提升大宗商品期货价格的预测效果。实验结果表明，相比传统模型和前文的Recon-ELM模型，Add-ELM模型在价格的趋势和变动方向的预测上均具有更高的准确率。其中，VMD分解方法能够有效的抑制模态混叠现象，玉米和黄金期货价格在VMD-ALL对应的Add-ELM模型下具有最高的预测准确率。WT方法分解得到的不同信号具有较好的正交性，波动较大的原油期货价格在WT-ALL对应的Add-ELM模型下的预测效果最优。　　综上，本文主要研究了如何从大宗商品期货价格序列中得到代表不同特征信息的分解量，并对分解结果进行去噪重构得到期货价格的真实序列，从而提升对未来期货价格的预测精度。此外，进一步结合统计检验和机器学习方法对分解量进行分析，提取期货价格的不同特征序列，结合极限学习机提出分解-集成预测模型，更好的捕捉大宗商品期货价格的未来趋势和变动方向，对国家经济政策的制订和商品期货市场的良好发展都具有重要的意义。