车辆路径问题是当下物流运输管理当中的一项重要研究问题。为了与我国经济发展需要相适应,物流配送业务从以往粗犷式的发展向精细管理转变。物流末端的配送活动大多发生在城市范围中,而如今城市人口规模迅速增长,城市道路交通呈现亚健康状态,对物流服务质量有显著影响。如何克服交通拥堵的压力,在有限的时间限制里对从配送车辆有效的安排出行时间和配送路线,实现物流系统高效低成本运作,是当前众多企业亟待解决的问题。因此,基于实时路况的城市物流车辆路径优化问题的研究有其实际的意义。本文以传统的物流车辆路径问题为基础,对“实时路况预测的城市物流车辆路径问题”进行了选题研究。论文的主要研究内容和结果如下:（1）城市物流车辆路径问题及算法优化。在不考虑路段交通流的影响下,根据车容量、软时间窗等限定条件,提出了一种粒子保持在种群最优和子群最优之间选择的粒子群算法。利用经典SOLOMON算例对改进后的粒子群算法进行算法性能验证,结果表明改进后的粒子群算法求解结果是可靠的,适用于车辆路径寻优问题求解。（2）动态交通流量预测条件下车辆路径优化。在不考虑道路状况的背景下,已对配送中心的车辆进行了任务安排。对已安排任务的车辆根据交通流量的影响,利用邻域搜索算法动态调整车辆剩余客户点的访问顺序。针对BP神经网络算法收敛慢等问题,提出了改进的粒子群算法优化权阈值的方法,并通过三种算法结合具体实例对神经网络进行了测试,仿真结果表明本文提出的改进神经网络方法在收敛速度和精度上优于其它两种改进的算法。