互联网的普及使电子商务发展越来越迅猛,线上购物已经成为每个人生活的必需品。对于零售商来说,线上交易能节约场地及人员的雇佣成本,带来收入的增加。大数据时代的到来及各种数据分析技术的应用,也使零售商可以更为简便地记录真实的售卖,刻画消费者特征,用来预测真实的需求,并制定对应的最优价格以最大化整体的预期收益。但对消费者来说,他们同样可以利用便捷的网络查找商品的历史数据,并根据历史价格来预估未来定价的上升或下降,并据此做出何时购买的决策,产生策略购买行为。当零售商面临“聪明的”消费者时,如何更好地刻画消费者的策略购买行为,预测真实的市场需求,成为了实践和学术讨论的重点。本文建立了同时考虑需求学习和消费者策略购买行为的两阶段动态定价模型,在这个模型中零售商售卖一种新型产品,面临一定市场规模的消费者,市场规模用泊松过程来刻画。消费者的保留价格具有异质性,且服从相同的分布,零售商根据前期调研确定第一阶段的价格,当第一阶段真实的售卖发生后再记录售卖数量,据此利用贝叶斯方法对市场规模进行更新,再确定第二阶段的价格使得预期收益达到最大。通过建立需求模型和定价模型并进行演算,可以证明模型具有最优解。为了验证进行需求学习是否能使预测需求更加准确,同时给出不进行需求学习的动态定价模型,从初始点估计变化、变异系数变化以及消费者折现因子变化三个维度入手,进行数值实验后得到需求学习在不能准确估计市场规模时更贴近真实的市场情况,具有一定的优越性。此外,为了对比不同定价策略的影响,与动态定价相似,建立了两阶段价格匹配模型,并假设价格匹配策略能减缓消费者的策略购买行为。此时进行需求学习下的更新过程与动态定价类似,给出不进行需求学习的模型进行对照。数值实验仍然可以证明市场规模估计困难时需求学习的作用。本文中零售商共面临四种定价策略,分别是:进行需求学习的动态定价、不进行需求学习的动态定价、进行需求学习的价格匹配、不进行需求学习的价格匹配,从初始点估计不准确和初始点估计准确两个方面入手进行数值实验,通过对比分析可以得到初始点估计不准确时,消费者策略性购买程度越高,选择进行需求学习的价格匹配策略越能获得更高的预期收益;当初始点估计准确时,受变异系数、消费者策略性购买程度和库存等多种因素的影响,存在选择区间。由于零售商在售卖开始时准确估计市场规模十分困难,因此当面临高策略性购买程度的消费者时,进行需求学习的价格匹配能发挥有效作用,为零售商带来收益的增长。最后,将给出的基本模型进行拓展,修改假设为市场规模与价格有关、售卖期内存在补货、存在多个售卖周期,分别建立对应的模型,为后续研究提供一定的参考。