进出口贸易额作为一项在国家经济发展中占据着重要地位的经济指标,它的变动一定程度上反映了国家经济的走势和国家融入世界市场经济的程度。因此,准确地把握我国进出口贸易额的未来走势是十分重要的,这有利于我国制定合理的政策,进而合理地配置资源,实现更加高效率的生产。然而,我国进出口贸易额数据呈现出了强烈的非线性和波动性,导致保证进出口贸易额预测的精确性仍然是一个困难并具有挑战性的工作。近年来,国内外学者对进出口贸易额预测问题进行了深入的研究,对于进出口贸易的预测模型主要集中在两类:基于统计方法的预测模型和基于人工神经网络的预测模型。由于进出口贸易额序列呈现出非线性的特点,基于统计学方法的模型难以提取进出口贸易额序列的有效信息,得不到精确的预测结果。对于人工神经网络预测模型来说,它可以解决处理非线性时间序列的问题,能够解决统计学方法模型难以处理的问题。但是人工智能神经网络也存在自身的局限性,人工智能神经网络在处理数据时有时会存在过拟合问题而导致预测结果不准确的问题。由于以上两个预测模型自身存在着局限性,而组合预测模型可以结合不同预测模型的优点解决单一预测模型的局限性,使得预测结果的准确性和稳定性得到显著的改善,其预测效果远远好于单一预测模型。因此组合预测模型是解决进出口贸易额预测的一种有效的方法。本研究提出了一种基于CEEMD（完全集合经验模态分解自适应技术）的数据预处理技术、并利用蚁狮优化算法将四个单一人工智能神经网络（BP、Elman、ELM、LSTM）组合起来构成组合预测模型,来对我国进出口贸易额时间序列进行预测。为对组合预测模型的预测性能进行测试,本研究选择了 1990年1月至2020年12月的我国进出口贸易额共372个数据来进行实证分析,同时为确准确地评价组合预测模型的预测性能,引入了 6个评价指标和DM检验构建科学合理的评价体系,将组合模型与14个对比模型进行对比从而对组合模型进行综合评价。实证和讨论结果表明,本研究提出的进出口贸易额组合预测模型与引入的对比模型相比具有出色的预测性能,并且能够准确地拟合进出口贸易额的走势方向,取得了精确的预测结果。此外,DM检验的结果也进一步说明了本文提出的组合预测模型与其他对比模型相比在对我国进出口贸易额预测方面的优越性。本研究提出的进出口贸易额组合预测模型不仅可以提升我国进出口贸易额预测结果的精确性和平稳性,同时还对我国进出口贸易形势分析和宏观决策有着重要意义。本研究的主要贡献和创新如下:（1）在对我国进出口贸易额时间序列数据预处理上,采用CEEMD（完全集合经验模态分解自适应技术）来消除数据中的高频噪声所带来的不良影响,提取进出口贸易额数据的主要特征。原始的我国进出口贸易总额时间序列分解并且重构为新的时间序列,提升了对其预测的稳定性和准确性。（2）本研究创新性地利用蚁狮优化算法将单一预测模型进行组合,构建了进出口贸易额组合预测模型,并通过实证分析证明了该组合预测模型能够有效地提高了预测的精确度和稳定性。