随着移动互联网等技术的快速发展,互联网大数据逐渐成为企业和社会关注的新型战略资源。目前,互联网大数据的方法和技术进行宏观经济预测正受到学者和宏观经济决策者越来越多的关注。海量的互联网搜索数据不仅代表网民和消费者的关注热点和关注程度,还可以映射社会经济的发展状况、揭示市场主体行为趋势。因此,互联网搜索数据可以为宏观经济问题提供必要的数据基础。居民消费价格指数（CPI）是用来测量一定时期内居民支付的消费商品和服务价格水平变化程度的宏观经济指标,它不仅与人民群众的生活密切相关,还在整个国民经济价格体系中具有重要的地位。因此,CPI的预测研究有着十分重要的意义。目前,CPI的预测研究集中于建立不同的预测模型,主要有回归模型、时间序列模型、机器学习模型以及组合预测模型。CPI预测模型所使用到的数据大多是其自身历史数据以及政府统计数据,而使用互联网搜索数据的方法进行CPI的预测研究是较少的。所以,本文引入了百度搜索指数对CPI进行预测研究。本文首先介绍CPI与百度搜索指数的相关概念,根据均衡价格理论和消费者行为理论,分析互联网搜索数据与居民消费价格指数二者之间的关系。其次,结合新闻文本、长尾关键词挖掘、需求图谱等方法选取与CPI相关的网络搜索关键词构建关键词库。数据预处理之后,计算五个初始关键词指与CPI之间的灰色关联度。然后,利用Spearman相关分析和时差相关分析筛选出与CPI具有较高相关性的先行网络搜索关键词。在百度搜索指数作为解释变量的基础上加入宏观经济指标,并使用逐步回归的方法筛选出最终的具有预测能力的关键词等指标作为解释变量。最后,在CPI预测模型的实证部分将数据划分训练集和测试集两部分,构建了回归模型、BP神经网络模型、SVR模型以及组合预测模型,并引入相对误差百分比、平均绝对误差、平均绝对百分比误差和均方根误差观测标准偏差比四个评价指标,利用测试集数据验证分析不同模型的预测效果。通过分析选出最优的预测模型,应用最优预测模型对CPI进行预测。本文研究结论表明:（1）确定了网络搜索关键词的百度搜索指数与我国居民消费价格指数之间存在较强的关联性;（2）基于Spearman相关分析和时差相关分析,科学合理地选取具有预测能力关键词。通过预测模型评价指标比较分析后,发现单一预测模型当中,BP神经网络模型预测效果最好,其次是SVR模型,最后是回归模型;（3）利用最小二乘估计法构建基于BP神经网络模型和SVR模型的组合预测模型是四种模型中表现最好的,并且组合预测模型的RSR值为0.2816,说明预测效果更准确且精度更高,该方法可以有效的进行CPI预测。（4）百度搜索指数具有较高的时效性,使用百度搜索指数应用到组合预测模型中可以对CPI进行提前预测,且能准确的预测CPI变化趋势。