随着市场竞争的加剧,企业规模的不断壮大,企业需要管理成千上万种不同类型的库存单位以便快速响应市场需求。如何对重点库存单位进行有效管理已经成为困扰库存管理者们的一大问题。为了避免物料资源的分配和管理不当,企业迫切需要一个合理的采购计划和控制系统确保企业不受原材料、在制品库存和成品缺货的影响且使库存成本维持在一个较低的水平。因此,学者们开发了ABC分类法来实现这种平衡。随着库存单位的类型和数量愈来愈多,库存管理者们所需要考虑的标准也愈来愈多,如何开发出一种高效的多标准库存分类方法成为学者们研究的重点。BP（back propagation）神经网络由于在检测和提取变量之间的非线性关系上显示出优越性被广泛应用于库存分类问题上。因此,本文首先以多标准库存分类问题为基础,将BP神经网络（back propagation neural network,BPNN）应用到多标准库存分类问题中。其次,本文构建了一个库存成本模型以验证混合神经网络分类模型的决策效果。主要研究内容和结论如下:（1）本文总结了多标准库存分类问题的研究现状,分析了将BP神经网络应用在多标准库存分类问题上的可行性。考虑到BP神经网络在库存分类问题中最后分类的结果很大程度上依赖于BP神经网络的初始连接权值和阈值,本文运用了两种进化算法——生物地理学算法（biogeography-based optimization,BBO）和自适应变异粒子群算法（adaptive mutation particle swarm optimization,AMPSO）以优化BP神经网络的初始连接权值和阈值。同时,本文运用遗传算法（genetic algorithm,GA）和差分进化算法（differential evolution,DE）优化BP神经网络的初始连接权值和阈值以进行对比分析。通过三个真实数据集对模型的有效性和稳定性进行了验证,实验结果表明BBO和AMPSO算法优化后的BP神经网络分类模型具有更高的分类精度。（2）为了验证混合神经网络分类模型的决策效果,本文引入了四种经典的多标准库存分类模型以进行比较分析。本文以理论数据集为基础,首先运用混合神经网络多标准库存分类模型、R模型、Ng模型、ZF模型、H模型对数据集进行分类。其次,本文构建了一个库存成本模型,对五种模型的决策效果进行合理的分析。实验结果表明,混合神经网络分类模型可以得到较低的安全库存成本,同时也验证了混合神经网络多标准库存分类模型的有效性。