随着经济全球化的持续推进和互联网技术的快速发展,企业的需求范围通过传统销售渠道和网络销售渠道被广泛地拓宽。电子商务的介入让企业间的竞争趋于白热化,企业必须不断采取策略,专注于调整产品特性,以满足客户的需求和偏好。为进一步吸引消费者,许多企业致力于提升仓储和配送等物流服务水平,高水平的物流服务使企业日的库存成本日益增高。此外,先进数据采集系统的应用让企业可以从几乎所有流程中收集和传输数据,企业面临的数据量呈指数化增长,需求也愈发呈现较大的波动和随机性。面对海量的供应链数据,企业无法挖掘出有效信息,导致无法快速响应需求变化,最终只有将库存维持在较高的水平来避免缺货,这也造成了库存成本的提高。大数据、机器学习等计算机技术的推广为企业带来了新的机遇。机器学习能够从数据中获取信息,基于环境因素的变化做出决策,并且随着数据的输入不断改善性能。因此,用机器学习算法解决企业库存管理问题成为企业可行的选择。基于此,本文首先梳理了库存优化问题和机器学习应用的相关文献资料,总结和归纳了库存优化相关理论基础并对本文使用的算法进行了介绍。从库存优化问题中的需求预测和安全库存设定问题入手,利用机器学习算法构建模型框架分别进行求解,以A企业为实例进行库存优化,并对其提出了相应的库存管理建议。本文的主要工作如下:（1）以A企业为实例进行分析,对A企业的背景和库存管理中存在的问题进行介绍,并应用机器学习算法构建需求预测模型。以企业的历史销售记录为基础,用EDA技术对其进行分析,并选取了A企业的热销产品作为需求预测对象。在此基础上构建了特征,采用特征重要性和随机置换特征进行特征筛选,并利用时间序列分割将数据集进行合理划分,避免了数据泄露问题。将机器学习算法与移动平均法进行比较,证实了模型的预测准确性。最后利用模型进行了库存成本的计算,通过算法可以使库存成本最多降低10.43%。（2）对A企业在安全库存设定中存在的问题进行描述,利用仿真建模技术对A企业的库存运作流程进行建模,并应用机器学习的随机森林算法来确定A企业仓库的最佳安全库存。以库存成本最低作为评价指标,结果表明算法取得79.57%的准确率。为了增强模型的可解释性,本文基于树模型的特征重要性给出了影响安全库存设定的关键影响因素排名,并将树模型可视化对算法进行了进一步的解释。结果显示,最优安全库存的设定主要取决于仓库的提前期和库存成本相关系数。最后,将基于算法的动态安全库存设定策略和静态安全库存设定策略进行比较。结果显示,通过算法可以使库存成本最多降低25.86%,这些结果说明了这种方法对在A企业中实际应用的可能性。最后对A企业提出了相应的库存管理建议。