Para abordar mejor el problema de la baja precisión de predicción de los precios de autos usados bajo un gran número de características y big data y mejorar la precisión de los modelos existentes de aprendizaje profundo, en este documento se propone un marco iterativo que combina XGBoost y LightGBM. Primero, se lleva a cabo el procesamiento de datos relevante para las características de reconocimiento iniciales. Luego, mediante el entrenamiento de la red residual profunda, los resultados predichos se fusionan con las características originales como nuevas características. Finalmente, el grupo de nuevas características se introduce en el marco de iteración para el entrenamiento, se detiene la iteración y se generan los resultados cuando el rendimiento alcanza el valor más alto. Estos resultados experimentales muestran que la combinación de la red residual profunda y el marco iterativo tiene una mejor precisión de predicción que el bosque aleatorio y la red residual profunda. Al mismo tiempo, al combinar los métodos principales existentes con el marco iterativo, se verifica que el marco iterativo propuesto en este documento puede aplicarse a otros modelos y mejorar significativamente el rendimiento de predicción de otros modelos.