近年来,受到新冠肺炎影响,生鲜电商行业高速发展,线上购买生鲜蔬菜逐渐成为人们的首选。但生鲜蔬菜易受到季节波动、天气变化、节假日、价格等因素影响,销量常呈非线性变化趋势。销量不规则波动容易造成市场供求关系失衡,对社会和谐稳定造成一定影响,因此对未来短时间的生鲜蔬菜销量进行预测具有重要意义。本文通过分析神经网络在生鲜蔬菜销量上的适用性,开展生鲜蔬菜销量预测研究。具体工作如下:（1）通过分析神经网络中常用的卷积神经网络（CNN）和长短期记忆网络（LSTM）的运行机制与特性,探究二者在生鲜蔬菜销量领域的适用性,并研究粒子群算法（PSO）在优化神经网络超参数上的优势,提出基于CNN-PSO-LSTM组合模型的销量预测方法。（2）分析并获取影响生鲜蔬菜销量因素的数据,通过模糊化处理、灰色关联度分析等方式选取与蔬菜销量关联程度较大的影响因素作为特征向量,输入到CNN模型中进行特征提取,利用PSO优化后的LSTM模型进行销量预测,构建基于CNNPSO-LSTM的生鲜蔬菜销量预测模型;并以安徽省某电商平台生鲜蔬菜销量数据为例,分析CNN、LSTM、PSO-LSTM、CNN-PSO-LSTM四种模型的预测性能,显示在三种误差指标下的结果为RMSE（23.16、21.11、18.67、13.30）、MAE（19.15、16.40、14.93、10.59）、MAPE（0.13、0.12、0.10、0.08）,验证该模型在生鲜蔬菜销量预测上的适用性与精确性。（3）将本文构建的CNN-PSO-LSTM生鲜蔬菜销量预测模型与mysql、python等技术相结合,研发生鲜蔬菜销量预测系统。利用Py Qt5、Qt Designer等控件实现图形用户界面,设计用户登录、销量管理、数据展示三个模块,提供数据查询、修改、删除、新增、预测等功能,同时通过Python中的Py Echarts库对生鲜蔬菜销量预测结果等数据可视化,为平台销售提供参考依据。