农业是我国的基础产业,农产品的价格与每一位国民的日常生活息息相关。农产品价格波动是影响农产品市场稳定的一个重要原因,预测农产品价格,将有利于国家经济正常运行。在我国农业领域,由于农业产品种类繁多,农产品价格数据具有数据信息量大、数据类型多的特点,使得利用农产品价格信息预测未来一段时间内农产品的价格走势十分困难,现阶段迫切需要能够利用已有的农产品价格信息对未来一段时间内农产品价格进行预测的方法。本文的具体工作如下:（1）用于神经网络参数优化的粒子群优化算法研究。农产品价格具有波动大、非线性的特点,在利用神经网络进行农产品价格预测时,由于通常采用梯度下降算法进行权值更新,使得其存在易陷入局部极小的缺陷。而粒子群算法具有较好的全局寻优能力,基于粒子群进行神经网络的参数优化可以使得神经网络在训练时很好的规避局部极小值,从而可以提高利用神经网络进行农产品价格预测的效果。但是粒子群存在寻优速度慢和局部收敛等缺点,为了增强寻优能力提高预测精度,本文基于此提出了一种用于神经网络参数优化的粒子群优化算法（TPSO）。该算法一方面引入领域碰撞机制,针对粒子设置碰撞算子和自适应变化的领域,通过对整个搜索过程中种群在不同阶段的多样性进行控制,来防止粒子过早聚集,从而提高其探索能力;另一方面通过引入一种新型的粒子交互机制,使得粒子在算法迭代过程中,具有更好的局部搜索能力。在实验中使用多个基准函数对TPSO算法的效率和鲁棒性进行证明。（2）基于深度学习理论的农产品价格预测模型研究。基于TPSO算法具有的简单容易实现并且没有许多参数调节的特点,BP及LSTM等神经网络在对非线性时间序列预测中具有良好效果的特点,将三者结合起来,充分发挥三者的优势,针对现有农产品价格预测模型在进行预测时会出现大的随机波动,预测误差超限的问题,提出了一种基于TPSO优化前向反馈神经网络（BPNN）和长短时记忆网络（LSTM）的农产品价格预测模型（TPSO-BPNN-LSTM）。该方法使用TPSO优化BPNN和LSTM的参数,针对优化后的BPNN预测稳定性强的优点,优化后的LSTM预测精度高的优点,将两种优化后的神经网络有效的结合使用,建立了针对农产品价格预测应用的最佳预测模型。（3）利用爬虫获得的白菜、黄瓜、韭菜价格数据对建立的预测模型进行评估,实验结果证明了经过TPSO优化后的BPNN在预测精度上的提高,优化后的LSTM在预测精度、计算效率上的提高,以及将两种优化后的神经网络综合使用后构建的农产品价格模型TPSO-BPNN-LSTM具有预测精度高、稳定性强、计算效率高的特点。