如何利用Agent技术和机器学习理论构建动态议价模型，模拟现实经济生活中最为普遍的经济现象，在更为深入的层面上揭示人类议价行为的一般规律一直是经济和计算机研究者在跨学科范围内研究的热点问题。 本文针对已有议价模型缺乏学习机制的不足之处，提出了改进的基于机器学习的动态议价模型(MLDBS)。首先，按照Oliver原理建立一个基于遗传算法的动态议价模型(GADBS)，并用实数编码方法代替二进制编码方法，从而避免发生变量越界，出现“异常”策略的问题。然后，分析了GADBS议价模型中存在的不足之处，并对其进行改进。在改进的议价模型中，本文对Agent如何提取对手偏好特征以及对特征如何描述进行了详细地论述，并且采用BP神经网络作为分类器，对提取出的特征进行分类、识别。最后，对两个议价模型的实验数据进行了比较分析。 实验结果表明，本文提出的基于机器学习的动态议价模型解决了已有议价模型中存在的Agent学习滞后，不能够根据对方的偏好信息对对方进行识别，自适应地调整议价策略的问题。