苹果作为我国第一大水果和优势农产品种类之一,受到越来越多人的喜爱,同时苹果的需求量也在逐年增加,随着农业信息化的不断发展,通过海量数据进行农产品需求量分析有利于推动苹果供需平衡、稳定市场调控与库存信息建设,具有良好的研究意义与应用价值。针对目前我国相关农产品预测中,由于数据处理方式简单、预测模型单一导致的预测效率低、精度差、稳定性不佳等问题,本文提出一种基于小波分解的双结构组合预测模型,具体研究内容如下:（1）数据采集与预处理。选取具有代表性的富士苹果作为研究对象,通过国家统计局发布信息及国家农业农村部所提供数据,选取1978年到2021年的富士苹果及竞品相关因素、经济因素、居民消费因素等25种特征数据开展研究,利用主成分分析与典型相关性分析算法实现特征向量降维,以保证特征向量选取的客观性与科学性,在保证数据低冗余度的同时力求数据的多样性,提高模型的抗干扰性与预测稳定性。（2）单一预测模型构建。采用小波分解将苹果需求量的序列特征分解为一维线性的趋势特征结构与二维非线性的细节特征结构,将其余特征向量通过趋势量运算消除数据之间的基本量,增强数据之间的变化。在数据预处理的基础上,通过参数寻优分别构建基于SVR、ARIMA与BP神经网络的苹果需求量预测模型。（3）基于不同的组合方式构建两类苹果组合预测模型。分别使用等权重法、非等权重法与误差倒数法构建基于加权方法的组合预测模型;利用线性拟合能力较强的传统机器学习模型与非线性映射能力较强的神经网络模型分别预测苹果需求量的趋势特征与细节特征,并通过小波重构算法完成两类结构的整合,从而构建基于小波分解的双结构组合预测模型。基于平均绝对值误差、均方根误差、平均绝对百分比误差、正规化方均根差等评价指标开展对比实验。实验结果表明基于小波分解的双结构组合预测模型的平均绝对百分比误差为0.083,平均绝对误差为81.141,在预测精度与预测效率上均高于基于加权方法的组合预测模型,能够精准实现苹果需求量预测目标,是一种科学有效的苹果需求量预测模型。