猪肉是关乎国计民生的重要食品,生猪价格自然而然也受到了社会的广泛关注,然而,近年来生猪价格波动异常,经常陷入“猪贵伤民,猪贱伤农”的恶性循环。生猪价格的不确定性不仅不利于生猪产业的健康发展,也不利于国家经济的健康发展。因此,挖掘生猪价格的显著影响因子和对生猪市场价格做出准确的预测不仅能够减少生产经营者的经济损失,而且可以确保生猪产业健康发展,为广大人民群众的利益提供有利保障,具有重要的现实意义。虽然直至目前,国内外学者在生猪价格影响因素挖掘及预测领域中的研究越来越多且囊括了神经网络、时间序列、传统机器学习、组合模型等研究方法,取得了一定的研究成果,但是深入调研现状不难发现在生猪价格影响因素挖掘研究方面仍存在挖掘方法单一,挖掘出来的影响因子不具有关联性、代表性、独立性（指影响因子之间互相独立,没有共线性等情况）等问题;在生猪价格预测研究方面,仍存在预测精度不够高,容易陷入局部极小值等问题。1)本文针对生猪价格影响因素挖掘研究中存在挖掘出来的影响因子不具有代表性、独立性、关联性等问题,整合了多种特征工程技术,提出了一种多模型集成投票挖掘算法。试验结果表明:多模型集成投票算法较其它挖掘算法,具有一定的优越性并且从原始生猪及饲料价格周报数据中挖掘了出栏肉猪均价、母猪均价、育肥猪配合料价格这三种因素是生猪价格的显著影响因子。2)本文针对生猪价格预测研究中存在预测精度不够高、极易陷入局部最小值、现实生猪生产中生猪价格缺乏较多影响因素数据甚至只拥有单一生猪价格数据无其它影响因素数据等问题,着重于时间序列预测方向,结合深度学习技术,采用深度学习时间序列预测方法进行生猪价格预测研究并提出了一种带有自注意力机制的双向长短期记忆预测算法（Bilstm+Self-Attention）。试验结果表明:Bilstm+Self-Attention模型预测结果最优,其预测结果的MSE（均方误差）为0.186232,MAE（平均绝对误差）为0.218997,R~2（决定系数）为0.997639;Bilstm+Self-Attention模型预测结果与经过网格搜索参数优化的极限梯度提升（XGBoost）算法预测结果比较,3个回归预测评价指标（MSE、MAE、R~2）分别提升了59.5%,30.6%,0.35%。这说明了Bilstm+Self-Attention算法能够充分地学习到生猪价格之间的非线性变化规律,可为生猪价格监测体系和预警模型的构建提供一种潜在的有效方案。