在新的零售业蓬勃发展下,连锁便利店具有营业时间长,空间小,资产模式轻的优势,在消费者中越来越受欢迎。在消费升级和新零售的两轮驱动下,中国的便利店行业正在全面展开,各大零售巨头纷纷投入大量资金参与其中,苏宁店和天猫店等新的便利小店如雨后春笋般涌现并迅速扩大,如何在激烈的市场竞争中脱颖而出是一个值得思考的问题。商品销量准确预测可以有效指导便利店的后端运营,进行合理的库存管理,及时调整商品定价策略,满足周边居民日常购物需求,有效地提高品牌知名度和市场竞争力。由此可见,销量预测技术是便利行业市场竞争中的关键。连锁便利店在地区上分布广泛、商品种类多样、季节影响复杂、市场需求难以预测,这些因素给商品销量预测增加了困难。通过分析参考文献的相关研究,发现传统的回归预测算法,对于受多因素影响的零售商品销量的预测效果并不理想,本文为了提高便利店商品销量预测的准确性,基于机器学习和深度学习的相关理论,将深度信念网络(DBN)、神经网络(NN)和支持向量回归(SVR)方法相结合,建立一种新的回归预测组合模型。实验中以便利店历史销量数据集为研究对象,对数据进行预处理和特征提取等操作,使用组合模型与传统的神经网络(NN)、支持向量回归(SVR)和深度信念网络(DBN)做对比实验,实验结果表明,组合模型具有更好的预测效果。最后,本文从应用的角度出发,分析潜在的便利店用户需求,设计了一种便利店销量预测系统,包括系统的架构设计、功能设计和数据库设计,通过相关技术将组合模型整合到系统中,并使用相关开发技术对系统进行了实现。