目的 为解决新型冠状病毒肺炎期间流感异常发病率而导致的流感建模预测困难，本研究建立了季节性自回归求和移动平均（seasonal autoregressive integrated moving average, SARIMA）、长短期记忆神经网络（long-Short Term Memory, LSTM）模型以及基于奇异谱分析（Singular spectrum analysis, SSA）的SSA-LSTM模型，为新冠疫情期间山西省流感的高精度预测提供有效的科学依据。方法 收集2014年第14周至2021年第13周山西省流感共7年的周度流感监测数据，利用时间序列分解（Seasonal and Trend decomposition using Loess, STL）分析其季节特征。以2014年第14周至2020年第13周的流感样就诊比（the ratio of influenza-like illness, ILI%）作为训练集分别建立SARIMA、LSTM、SSA-LSTM模型，以2020年第14周至2021年第13周（新冠疫情期间）的ILI%作为测试集，比较三种模型的拟合、预测性能，确定最佳模型。结果 受新冠疫情的影响，山西省流感自2020年初变化复杂，ILI%出现了明显的下降。SSA-LSTM的均方误差（Mean Squared Error, MSE）、平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Squared Error, RMSE）在拟合、预测结果中均达到了最小。结论 SSA-LSTM模型对新冠肺炎疫情期间山西省异常下降的流感发病率进行预测更加精准，为流感有效防控提供一定的参考，也为疫情期间其他传染病异常发病率的预测提供了方法学上的参照。