2016年10月1日,继美元、英镑、欧元、日元后,人民币正式被纳入到SDR货币篮子,成为全球第五个主要储备货币,人民币汇率市场化程度得到明显提升。伴随中美贸易摩擦的持续升级,人民币汇率波动逐渐成为市场关注焦点,因此对人民币汇率波动规律的把握并对其进行预测具有非常重要的意义。但汇率作为金融时间序列数据的一种,本身具有非线性、非平稳、多尺度、长记忆性等特征,这些特征在一定程度上影响了汇率数据的预测精度。诸多学者针对这一问题,试图从不同角度出发,给出提高预测准确度的解决办法。基于上述背景,本文将结合数据特征分解技术和深度学习相关模型,探索高效预测人民币兑美元汇率变动趋势的方法。除了在单项模型（长短时记忆网络、时序卷积网络）中进行人民币兑美元汇率的预测对比外,本文还在混合模型中进行对比。数据特征分解方法采用小波分解（WT）、集合经验模态分解（EEMD）和深度学习中的长短时记忆网络（LSTM）,预测模型选择的是时序卷积网络（TCN）和门控循环单元（GRU）,兼顾数据特征分解和序列预测两者性能后,提出WT-TCN-GRU、EEMD-TCN-GRU和序列到序列（Seq2seq）模型。最终以均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R2）作为本文模型预测准确度的评判标准。在以模型预测误差为评判标准的体系下,本文通过各单项模型间、不同分解方法间的性能进行对比分析,实证发现单项预测模型中,TCN模型在人民币兑美元汇率序列的预测误差要小于LSTM模型,预测准确度更佳,丰富扩展了TCN模型方法在金融时间序列上的应用。在混合模型中,Seq2seq模型在人民币兑美元汇率序列上的预测准确度均高于WT-TCN-GRU和EEMD-TCN-GRU两种混合模型,表现出良好的可行性和优越性,将分解集成混合预测模型中的多尺度分解方法用神经网络来代替形成新的Seq2Seq模型,能提供一定的参考价值给外汇市场参与者。此外,本文还建立模型预测步长的敏感度分析,即用滞后多少个交易日的汇率数据作为特征,研究结果发现,数据间越高相关性对应步长越短,预测效果更佳。不过是否是越短步长的预测结果越佳,还需要分析数据以外的影响因素。为此在后续研究中,要合理控制步长参数大小,保证模型预测结果更加客观。