利用信息技术对我国商品指数价格进行预测是一项非常有意义的研究。预判商品指数的价格走势不但有利于企业利用大宗商品的价格信息进行采购决策,减轻经济损失;同时也能帮助政府了解商品经济的发展趋势,做好部署工作。目前学术界主要采用传统的线性模型对商品指数进行预测研究,受限于金融时间序列数据具有尖峰厚尾和波动聚集等非线性特征,采用神经网络预测方法更有可能实现更好的预测效果。本文基于卷积神经网络（CNN）中的VGG网络设计出一种新的模型—修正VGG模型（Modified VGGModel,MVGG）。考虑到金融时间序列数据和图像数据的差异性,新模型并未设计池化层进行下采样和softmax分类器进行分类。通过对MVGG模型卷积核大小、数目以及卷积层层数进行不断地调试,最终实现提高模型预测精度的目的。同时,本文还借鉴了集成学习的方法原理,将每个MVGG模型作为基模型,并将每个基模型的预测值按照加权平均的方法进行投票处理,最终构建出一个强模型—ENSEMBLE模型,进一步优化了单个模型的预测精度。论文实证部分采用了 MVGG模型和ENSEMBLE模型对南华黄豆、玉米和小麦商品指数的收益率进行预测研究,并和基准模型人工神经网络（ANN）和长短期记忆模型（LSTM）进行了全面详细的对比实验。在均方误差（MSE）和拟合优度（R2）两种性能判别指标的评价标准下,实验结果最终证实本文所设计的ENSEMBLE模型和MVGG模型都达到了不错的预测效果,并且ENSEMBLE模型相较于MVGG模型而言预测精度更高,LSTM模型和ANN模型的预测效能较差。最后本文运用理论模型解决实际经济问题。论文将实证部分预测精度最高的ENSEMBLE模型运用到农产品价格风险预警系统的构建中,做好对黄豆、玉米和小麦等农品价格风险的预警工作,根据模型预测结果指导企业在大宗商品市场上做好相机决策和采购管理。