本文提出了一种在需求分布未知且仅有销售数据（即删失需求）的情况下进行库存管理的数据驱动算法——非参数平均库存管理算法NAIM（Nonparametric Average Inventory Management）.对于同样的库存管理问题,Huh（2009）在其研究[1]中提出了一种自适应库存管理算法AIM（Adaptive Inventory Management）,AIM 是一种在线学习（Online Learning）方法,其在每一次进行订购决策的时候,只使用当期的销售数据来预测下一期的订购量,这样做的优点是整个迭代优化过程只需要很少的数据就可以进行,同时也降低了数据的存储成本,但是这样也存在明显的不足之处即对历史需求信息未加以充分的利用,造成了数据的浪费。针对于AIM方法存在的不足之处,我们既利用了当期的销售数据同时也将历史需求信息考虑了进来,通过构建一种新的历史需求信息融合统计量,我们集成了在线学习以及离线学习（Offline Learning）的优点,后续的实验表明这样做既增加了历史需求信息的利用率,也降低了订购过程的平均成本,同时在存储成本方面也仅增加了一个消耗单元。本文利用数值实验的方法来验证改进算法的性能,并且为了结果的准确性和一般性,在7种常见的连续或离散分布下进行实验。每种分布下都会模拟生成200个实例对算法的平均成本、收敛速度以及平均成本的标准差进行评估。所有的数值实验可以分为NAIM算法的调参实验和NAIM、AIM、CAVE（Concave Adaptive Value Estimation）、BURNETAS-SMITH 四种算法横向对比实验两种。在文中的实验结果分析部分,经过对NAIM的调参实验结果进行总结,给出了各参数选择的建议,以实现更佳的性能。同时四种算法的横向对比结果表明,在大部分情况下,改进后的算法NAIM 比之前的AIM具有更低的平均成本,和更快的收敛速度,并且在某些情形比如缺量成本较大时,NAIM有可能实现四者间最低的平均成本,不过算法的波动性相较改进前略有增加。