服装行业是国民经济的传统支柱产业之一,中国在服装的消费和生产方面占世界的比例一直位于前列,国内有着巨大的市场规模,目前该行业也愈发完善和成熟,走向品牌发展之路是众多服装企业的主流选择。目前,在中国具有较大影响力、占据主要市场份额的知名服装企业主要是通过让微小企业加盟的方式完成市场销售。对于加盟商,在服装销售旺季来临之前,他们会召集采购会议,在会上完成采购单的填写。因此,加盟商需要根据往期的销售情况、以及销售过程产生的销售信息来预测未来销量,以预测结果为基础确定服装订购计划并安排财务清查。但因为加盟商以经验预测的结果与实际需求相差甚远,导致制定的采购计划并没有带来期望的经济价值,往往还造成销售季末库存积压更大。多数知名服装企业都是采取“买断”的特许经营模式,这种情形下加盟商因订货决策失误产生的库存成本需要自己承担,这就提高了加盟商的经营风险。因为服装的季节性,加盟商的订货决策一般也是面向一个季度的,故而加盟商的销售预测在中期销售预测范围内。可以看出,中期销售预测结果对加盟商的订货决策产生直接影响,订货决策又对库存成本有极大影响,特别是针对随机需求的服装供应链多级库存管理问题,预测服装的中期销量和构造高效的库存管理模型具有重要的实际意义。本文研究的问题包括:（1）单渠道情形下,服装企业如何有效利用自身掌握的历史销售数据与外部数据实现精准的销售预测。（2）单渠道情形下,服装企业获得了销售预测结果后,如果存在服务质量约束,此时该如何进行订货决策以优化自身库存。（3）多路径参与情形下,供应链网络上每一个节点服装企业如何有效利用销售预测的结果来进行库存决策,降低自身的库存水平与库存成本。为了解决上述问题,本文先是利用四大类历史相关因素建立特征矩阵,构建了ARIMAt-RFcs这一新的集成的机器学习模型对特征矩阵进行学习与训练,最终用训练好的模型来进行单渠道下的销售预测。多渠道情形下的销售预测是通过深度学习结合经典的机器学习模型SVM、GBDT与较新的lightgbm等实现的。在需求为随机变量,存在服务质量约束和库存容量约束,需求产生的渠道增多这几种情形下,为了控制和优化服装企业的库存成本,本文分类建立了供应链库存成本控制模型,利用机器学习方法对供应链库存成本控制模型进行优化,从而实现降低库存成本的目标。本文通过理论与实验研究发现,基于ARIMA与随机森林的集成模型能对品牌服装的销量进行较为准确的预测,该预测结果能够作为加盟商制定库存管理和采购决策的重要依据。此外,本文将机器学习应用于供应链库存控制优化,经过数值仿真分析发现,这个优化后的库存控制模型可以提高库存控制的效率,并且准确度也较高,这也给服装企业未来的库存规划带来了一些管理启示。