苹果是大宗农产品交易的主要果品之一,对整个农产品交易市场有较强影响。农产品市场价格变化受许多不可控因素影响,通过经验往往难以预料,加上价格波动对产量的影响存在滞后性,易导致果农增产不增收,陷入负面循环。对苹果交易价格开展预测性研究,可以为当前苹果产业发展提供更好的服务,切实维护苹果产业链条上各方权益,并对保障苹果市场稳定方面做出贡献。本文以富士苹果为研究对象,通过典型相关分析与主成分分析方法对特征向量降维,采用长短期记忆神经网络构建苹果日、周、月价格预测模型,并使用自适应粒子群优化算法（APSO）对模型改进,丰富了应用场景,方便模型部署,同时提高模型预测准确度。主要研究内容与结论如下:（1）采集苹果价格相关的特征向量并对其降维。根据国家统计局及农业农村部所提供数据,整理2008年至2020年苹果及竞品价格、经济影响、自然影响等共计15种相关特征数据。通过典型相关分析选取与苹果价格相关性较高的特征向量,对输入数据降维,并依据实验结果对比分析,使用主成分分析对存在冗余的输入特征向量二次降维,最大程度的保留了原始信息,降低了特征向量中低影响变量造成的冗余,提高了模型运算速度与泛化能力。（2）构建LSTM网络预测模型结构。基于LSTM技术,从网络层数、状态传递参数方面构建具有不同网络结构的苹果日、周、月价格预测模型,将所构建的单层无状态预测模型、单层有状态预测模型、双层无状态预测模型与双层有状态预测模型在拟合程度、评价指标、对时序数据学习能力方向上的实验结果进行对比分析,最终选取表现最优的单层无状态预测模型作为下一步改进的基础模型。（3）优化LSTM网络预测模型。针对模型训练过程中常常依据经验设置参数或通过实验结果反复对比调整导致的效率低、操作复杂、随机性强等问题,采用APSO优化算法自动化选取LSTM网络的主要超参数,构建APSO-LSTM苹果价格预测模型,加快超参数寻优收敛速度,降低模型调参复杂度,提高预测模型准确率。并与LSTM模型、S VR模型、传统BP神经网络模型进行对比实验,结果表明APSO-LSTM模型在日、周、月三种时间维度上均表现出较好的预测精度,误差分别为1.122%,0.879%,1.266%。