随着经济的稳步提升,消费者逐渐追求高品质的生鲜农产品,对生鲜农产品的需求不断增加。由于生鲜农产品易腐等特性,如果对市场需求不合理判断,会增加货损、库存管理等经营成本。因此,如何对消费市场进行合理预测,实现对生鲜农产品的供求关系的协调与控制,这些显得尤为重要。目前在生鲜农产品流通过程中也会进行预测,但是预测的精准度不高,预测结果的精准度一方面来源于方法的科学性,另一方面来源于影响因素的分析及选取。面对完全竞争的生鲜农产品市场,供给与需求相互制约、相互影响,本文针对生鲜农产品如何供需平衡的问题,站在终端零售商的角度,从消费者以及生鲜农产品供应链两个方向对生鲜农产品需求产生影响的因素进行分析,建立需求预测模型对生鲜农产品每日需求量进行预测,并针对预测的结果建立订货模型,优化终端零售商的订货及库存。具体的工作如下:（1）本文针对现有研究,对生鲜农产品供应链关键节点以及消费者进行分析,结合本文以终端零售商如何预测生鲜农产品需求的视角以及定量预测的特性,初步设定需求预测影响因素指标,接着通过灰色关联度分析和专家咨询,最终确定了销售地天气、产地天气、销售地温度、产地温度、生鲜农产品价格、替代产品价格、农产品批发市场200指数、假期、零售终端促销、历史销售量十个指标作为生鲜农产品需求预测的影响因素。（2）针对支持向量机（SVM）适用于多因素、多条件、小样本预测精准度更高的优势,结合本文所研究的生鲜农产品的需求量预测是基于小样本、多维度、短周期的预测特征,选取支持向量机为本文需求预测模型的基础算法。接着根据支持向量机（SVM）在解决数据量增多的计算问题以及参数选择的主观性问题,本文提出运用粒子群算法（PSO）对支持向量机（SVM）进行优化,并建立PSO-SVM预测模型。最后,针对需求量预测结果,建立基于需求量预测的订货模型。（3）结合实际案例,选取重庆百货新世纪超市的福建琯溪蜜柚销售量为应用对象,针对本文建立的SVM模型和PSO-SVM模型进行实例应用,得出两者均能达到90%以上的预测精准度,并且PSO-SVM模型预测的精准度比SVM模型预测的精准度提高4.24%。接着对本文建立的基于需求预测的订货模型进行应用,在保证对客户服务的基础上,可以降低14%以上的库存水平,经过实例数据对比得出基于粒子群优化SVM模型在本文进行库存水平控制时能够比SVM模型的订货结果更优。最后,针对重百新世纪超市提出供应链管理建议,优化重百新世纪超市的生鲜农产品供应链。