目前,网上购物已成为时尚并促进了电商行业的飞速发展。但这也给传统的线下实体零售业带来巨大的生存压力,实体商家迫切需要采取有效措施对未来销售的趋势做出可靠预测,帮助其制定合理的销售目标,指导运营后台提前进行合理的资源配置,以降低运营成本从而提高竞争力。因此,本文提出并实现了一种基于机器学习及深度学习理论的零售店销售额预测方法。本文对当前几个主流预测方法进行了分析,发现时间序列预测法仅适用于线性问题,没有考虑到历史销售数据中的非线性问题,导致建立的模型预测精度低;神经网络尽管对非线性问题具有较高的预测精度,但对输入数据特征的形式有很高的要求,缺乏泛化能力及收敛速度慢;组合模型虽然可以对上述两类模型进行优化,取得不错的预测结果,但只适合处理特定问题,同时模型训练时间会更长等不足。针对以上问题,本文使用XGBoost模型、LightGBM树结构模型和长短期记忆网络(LSTM)模型及模型融合方法,以德国Rossmann公司1115家实体店的销售数据作为研究对象,分别使用三种单模型和四种融合模型对销售额进行预测。首先通过特征工程和参数调优对三种单模型进行训练并验证;然后采用三种不同权重的加权平均法和stacking学习法对三种单模型进行融合,通过优化参数和交叉验证方法对四种融合模型进行优化并验证;最后,采用MAPE和RMSPE两个评价指标来对模型进行评价,并对比几种模型的MAPE值及RMSPE值。实验得到单模型的MAPE值及RMSPE值分别在0.049和0.065以上,而融合模型的MAPE值及RMSPE值分别在0.047和0.062以下的结果。表明单一模型法虽然有效、可行,但是融合方法能够有效提高模型的预测精度及泛化能力,可获得比单一模型更好的性能。