汇率是国家经济实力的综合体现,根据汇率的波动趋势,国家能够据以制定相应的对外贸易政策,调整外汇储备以及防范外汇市场风险。2005年之前,我国汇率是盯住美元制,2005年汇改,我国汇率变成以市场供求为基础的浮动汇率制度,这对汇率的趋势预测无疑增加了难度。因此,汇率预测是一个需要不断研究的问题。文献显示,目前汇率预测主要是从两个角度进行:一个角度是从影响汇率的相关因素出发,另一个角度是分析汇率的时序数据的变化规律。使用的预测模型主要有传统的计量经济模型、非参数模型、组合预测模型。有少部分文献同时将相关因素分析模型和时序数据分析模型结合。如混频模型中,将汇率作为模型的高频变量之一进行建模。论文选择独立分析外部因素和汇率时序数据本身对汇率的影响,通过神经网络构建美元兑人民币汇率的组合预测模型。论文主要研究内容与所得结论如下:1.从相关影响因素角度建立汇率的回归预测模型。首先,基于汇率决定理论,针对美元兑人民币汇率数据,选择了9个变量（CPI当月同比、外汇储备、资本和金融账户差额占国际收支总差额比重、公共财政支出、外商直接投资、外贸依存度（进出口金额/GDP）、沪深300指数、隔夜上海银行间同业拆放利率、1年期人民币无本金交割远期外汇交易）作为模型的解释变量。其次,利用美元兑人民币汇率和相关因素2009年1月到2017年12月的月度数据拟合了多元线性回归模型,并对2018年1月到2019年12月的月度汇率进行预测,计算结果显示,解释变量之间存在多重共线性问题;为此,论文选择了Lasso回归模型,将9个解释变量稀疏到5个变量,解决了变量间的共线性问题。通过计算均方根误差（RMSE）、平均绝对误差（MAE）以及平均绝对百分比误差（MAPE）,对比分析了两个回归模型的预测效果。结果表明:Lasso回归模型的预测效果优于多元线性回归模型。2.利用美元兑人民币月度汇率2009年1月到2017年12月的数据建立基于时间序列的预测模型,即ARIMA（3,2,3）模型和两参数指数平滑模型,并预测2018年1月到2019年12月的月度汇率。两个模型的RMSE、MAE、MAPE值显示,ARIMA模型的预测效果更好。3.基于神经网络强大的学习能力,能自动从数据中获得最优权重参数,建立BP神经网络组合预测模型。将Lasso回归模型和ARIMA模型的汇率拟合值作为BP神经网络的输入信号,用来学习训练模型;然后用Lasso回归模型和ARIMA模型的汇率预测值作为BP神经网络的输入信号,输出数据即为美元兑人民币汇率的最终预测值。通过计算,结果显示,基于神经网络组合模型预测的RMSE、MAE、MAPE值均小于Lasso模型和ARIMA模型。