新冠肺炎疫情的防控和防疫政策的制定需要一个科学的疫情传播预测模型。本文针对目前国内的新冠肺炎疫情传播过程中受外界干预程度大,传播过程更复杂,传统的预测模型在新形势下,预测效果不佳的问题,在传统的预测模型基础上,建立一个精度更高的预测模型,对未来一段时间的疫情进行预测。在新型冠状病毒传播分析阶段,本文引入混沌理论,将新型冠状病毒传播预测问题看作一个长期且动态变化受多种因素共同影响的时间序列预测问题,并结合传播动力学模型分析疫情传播特点,将每日新增无症状感染者和医学观察人数这两个重要特征加入到预测模型中。在多步预测中,针对直接多步预测和递归多步预测存在的不足,本文结合两种方法的优点,使用直接递归混合多步预测方法来克服使用单一方法带来的局限性。建立模型阶段,为挖掘新冠肺炎疫情历史数据中存在的复杂的变化规律,本文先使用三种常用的机器学习非线性回归模型,分别建立直接递归混合多步预测模型和直接多步预测模型进行实验分析。由于疫情历史数据与当前的疫情数据存在长期依赖关系,而传统的机器学习模型不能学习这种长期依赖关系。为进一步提高预测模型精度,使用LSTM学习并记忆这种依赖关系,分别建立直接递归混合多步预测模型和直接多步预测模型,并进行实验分析。实验结果表明,基于LSTM的多步预测模型在加入每日新增无症状感染者和医学观察人数这两个特征后预测模型精度得到了较大的提高,且在相同训练集和步长的情况下,直接递归混合多步预测在预测中相较传统的机器学习模型和基于LSTM的直接多步预测模型,在干预状态下的预测效果更好,在预测数值水平上更接近,均方根误差更小,趋势预测更准确。