由于存在计划提前期，服装零售销售预测与实际市场需求不一致是常态，同时服装商品存在季节性和价值易逝性的特征，动态打折销售是服装零售企业进行库存控制，优化运营收益的一个常用工具。因此，从商家角度，基于不断变化的市场需求，进行动态价格折扣调整，以达到有限销售期内的收益最大化，是新零售时期服装零售企业运营管理的一个重要课题。新零售环境下，服装零售实现了线上线下数据整合，积累了大量的历史销售数据，为服装零售动态价格智能调整提供可能性。本文针对服装需求参数的变动，将历史数据修订的稳定需求作为初始先验信息，依靠先验信息和不断积累的观测信息来指导定价决策。考虑到在平稳市场条件下，需求参数呈线性波动，而针对线性动态系统，卡尔曼滤波是一种将先验信息和观测信息有效结合的需求学习方法。因此，本文利用卡尔曼滤波算法对需求参数进行多阶段预测更新，提供了一种可以实现且有效的动态折扣制定的智能解决方法，并以某服装品牌2013-2015年的6个品类的销售数据为数据源进行模型对比和有效性验证。论文主要包括以下几个方面：
　　首先，建立基于卡尔曼滤波算法的动态需求模型。假定需求函数形式在平稳的市场环境中保持不变，通过实际数据确定先验需求形式及其初始参数，包括进行数据收集和预处理，然后结合文献统计方法确定先验需求函数的具体形式，再用回归分析方法求出先验参数值；针对参数线性波动，利用数据同化技术中的卡尔曼滤波算法对需求参数进行最优估计，根据预测值和观测精度（协方差矩阵）确定最优参数估计值，利用算法进行参数学习更新，实现多阶段动态参数优化。
　　其次，考虑供应不限的条件下，建立基于参数更新的多阶段动态折扣模型。根据前文得到的最优参数估计值求解确定最优折扣策略，并以实际服装数据进行模型实证，分别比较供应不限下基于参数更新的折扣策略和基于先验参数的折扣策略的收益水平，并与实际策略下的收益进行差异对比。
　　再次，考虑库存供应有限的条件下，建立基于参数更新的多阶段动态折扣和库存模型。在上一模型的基础上，考虑了期初库存量已知，建立了参数更新下的动态折扣和库存清理模型，并以服装数据进行模型实证，分别比较供应有限下基于参数更新的折扣策略和基于先验参数的折扣策略的的销量和收益，分析针对不同服装品类的模型适用性。
　　最后，对全文进行总结，研究发现：1）基于参数更新的动态折扣模型比基于先验参数的模型能得到更好的收益效果，尤其对参数变化大的品类改善效果会更明显；2）供应不限的动态折扣模型更能保障收益水平，供应有限的折扣模型能同时保障销量和收益水平，不过收益改善效果不如前者。总体来说，短袖T恤、羽绒服这些季节性强、需求变化快、观测信息多的服装品类，采用参数更新的模型优势更明显，适合于采用风险型打折策略，而对于牛仔裤和长袖衬衫这类季节性不强的服装品类，参数变动不大，可以采用保守型的打折策略，各阶段的打折幅度变化不宜过大。本文提出的基于参数更新的服装动态折扣模型能更好地捕捉实际的市场需求变动，实现更好的收益效果，可以为商家的价格调整提供有效的智能决策支持，为打折促销提供科学的依据，提高了对动态系统的控制能力。