随着经济全球化和市场国际化的发展趋势，制造业所面临的竞争更趋激烈。高质量的原材料和优秀管理的供应体系，决定了能否满足客户购买需求，也最终决定企业能否获得利润。选择合适的供应商，可以恰当的满足企业的购买需求，提高企业的竞争力。 本文详细论述了基于改进的混沌遗传算法的径向基神经网络算法，利用该算法解决供应商关系管理系统中供应商评价的问题。 本文开头分析了供应商关系的重大意义，概括了供应商关系研究状况及目前的一些评价体系和方法，并简单介绍了数据挖掘的概念和发展。 通过参考国内外研究成果，研究并分析了人工神经网络尤其是径向基神经网络和遗传算法的结构设计原理和实现机制，针对传统径向基神经网络算法存在的不足及其与遗传算法互补的可能性，本文提出了一种基于改进的混沌遗传算法的径向基神经网络的建模方法。 本文根据建模的需要，对建模和优化方法进行了研究和改进。 首先，本文详细分析了遗传算法进行全局搜索的基本原理和具体操作之后，考虑到遗传算法在种群进化质量方面的局限性，一方面提出了利用混沌序列的内部有规律性对种群的初始值进行变化，同时对混沌遗传算法中族间选择、交叉加以改经，避免了“残酷竞争”导致丢失良好个体的现象。另一方面自适应地调整交叉变异概率的方法来提高种群进化质量，这两种措施的提出克服了遗传算法的“早熟”现象的出现。 接着，本文深入探讨了神经网络基本理论以及传统径向基神经网络的学习算法，在此基础上，针对传统径向基神经网络梯度训练法收敛不理想的问题，将径向基神经网络和改经的混沌遗传算法相结合，充分利用径向基神经网络的逼近能力和混沌遗传算法的全局搜索能力。通过改经混沌遗传算法改进神经网络隐层到输出层的权值，并且利用WEKA平台进行仿真实验验证了新型算法的在正确率和收敛性上的较好表现。 经过比较，确定了用基于改进的混沌遗传算法的径向基神经网络建立供应商评价模型，本文以某大型通讯制造企业作为案例分析，进一步验证了这种挖掘算法的正确性和可行性。 同传统的径向基神经网络结果比较，得出以下结论：利用改进的混沌遗传算法求解径向基神经网络的权值比用梯度下降法调整权值的方法更容易达到全局最优解，而且提高了神经网络的逼近非线性系统的精度和速度；利用改进型径向基神经网络建立的供应商评价模型具有自学习性、自组织性和自适应性，用该模型评价供应商，提高了准确性，也具有很高的商业价值。