供应链管理是当前的一个研究的热点，也是企业界越来越青睐的管理方式，而库存管理是供应链管理中的一个重要组成部分，有效的企业库存管理能够创造巨大的经济价值。随着信息化技术的普及，越来越多的企业引入了管理信息系统，但随着市场竞争的加剧，传统的管理信息系统已经不能满足企业的需求了，将供应链思想和智能技术应用到企业的信息管理中成为一种必然的趋势。作为计算机智能技术之一的人工神经网络是一门活跃的边缘性交叉学科，研究它的发展过程和前沿问题，具有重要的理论意义。BP神经网络是目前应用最为广泛的神经网络之一，但是BP神经网络的学习算法是基于梯度下降这一本质的，因此不可避免地存在着容易陷于局部极小值，收敛速度慢，训练时间长等问题。而粒子群优化算法作为一种解决非线性、不可微和多峰值复杂优化问题的优秀算法，它具有计算简单、收敛速度快等特点，并具有较强的全局寻优能力，可以作为BP神经网络的学习算法，但该算法在进化后期容易出现速度变慢以及早熟的现象。本文针对粒子群优化算法的不足，对其进行了学习因子自适应调节和增加变异算子两种思路的改进；将改进后的算法作为BP网络的学习算法来进行网络的训练，并通过仿真实验验证了改进后的粒子群神经网络在全局寻优能力和算法收敛速度两个方面都有了一定的提高。然后，根据运筹学存贮论中的库存控制理论，结合供应链中库存管理的思想，针对某食用油生产商的原料库存、采购特点建立了原料库存控制指标体系，并根据该指标体系，以改进后的粒子群神经网络作为预测模型，在该生产商供应链管理系统的基础上，进行了原料库存控制辅助决策模块的开发。通过该模块进行库存量预测，可以帮助企业在保证生产连续进行的基础上，维持一个更合理的原料库存量，并给出相应的原料采购量建议，这使得本文的研究在理论创新的同时具有了一定的现实意义。