居民消费价格指数(CPI)经常用来衡量生活成本。它不仅影响到政府的货币、财政、消费、物价、薪资、社会保障等政策,而且与我们的日常生活息息相关。CPI作为判断通货膨胀的主要指标,其变动受人们密切关注。因此,准确预测居民消费价格指数的变动,对CPI建立一个稳定精确的预测模型对民众、政策制定者和研究学者都有重大意义。早期对于CPI的预测研究大多采用时间序列模型,由于金融时间序列难以满足平稳性等假设,因此预测结果并不理想。后来随着人工智能模型的广泛应用,学者们将其引入到CPI的预测研究中来。在对CPI的建模预测中,噪声的影响和模型参数的选择都会影响预测的精度。为了解决这两个问题,本文以BP、小波和SVR为原始模型,提出了基于EEMD去噪和PSO优化的三种模型:EEMD-PSO-BP、EEMD-PSO-WNN和EEMD-PSO-SVR。运用三种新模型分别对1995年1月至2015年8月的CPI数据进行多步预测研究,实证结果表明EEMD算法和PSO算法在不同程度上提升了三种原始模型的性能,相比原始模型、基于EEMD去噪的模型、基于PSO优化的模型这三者,基于EEMD去噪和PSO优化的模型对居民消费价格指数预测的精度最高。根据最终的预测结果,对比得出EEMD-PSO-SVR表现最好,该模型可应用到居民消费指数的预测研究中。