本文对几种常见的销售预测方法如指数平滑、灰色系统、ARMA、BP神经网络进行了简单介绍和比较，分析了各自的适应范围和优缺点。重点介绍了模糊BP神经网络的优势和存在的不足之处，提出了改进模糊BP神经网络的一系列措施。　　 某企业A产品的月销量序列具有双重变化趋势的特点，即整体趋势变动性和年周期波动性；这两种复杂的、不同的变化趋势综合在一起，使得月销量序列呈现明显的非线性特征，一些线性固定的预测模型因而导致较大误差。而模糊神经网络在这类非线性问题的处理上有一定的优势，因此本文选择模糊神经网络作为A产品月销量短期预测的模型。　　 本文分析了模糊神经网络学习中最常用的标准模糊BP算法所存在的收敛慢，容易陷入局部极小值的原因，提出了综合利用PSO算法和模糊BP算法的优点对模糊神经网络进行训练。考虑到本文的销售预测中时间点较近的月份销量对当前的销售预测影响较大，较久远的月份销量对当前的销售预测影响较小，本文提出了以加权误差平方和替代误差平方和为目标函数。网络训练时先利用PSO算法全局搜索能力强的特点寻找次优的权值和隶属函数参数，然后在次优的附近邻域利用模糊BP算法的局部搜索能力强的特点寻找最优的权值和隶属函数参数。　　 本文提出了基于样本相似度的聚类算法，无须事先确定聚类的类数，能对样本自动进行聚类，从而提取出模糊BP神经网络的初始化规则。此外，本文还对网络训练终止的条件、网络拓扑结构的确定、数据预处理等方面也进行了深入研究。　　 实验结果分析表明：基于改进的模糊BP神经网络用于A产品的短期销售预测，与几种常见的预测方法相比较，取得了更高的预测精度和误差稳定性。