卷烟销售额的预测是一个非常复杂的非线性预测系统,它是对某一时间段内烟草需求所做出的预测,也是企业了解市场需求的一个重要的方式。神经网络算法因其较强非线性表达能力,而使得它非常适合处理复杂的,不稳定的,以及具有一定随机特性的非线性时间序列预测难题。因此,本文对GA-BP(Genetic Algorithm-BP)神经网络在卷烟销量预测中的应用进行了相关研究,并进行优化。本文从宏观层面分析了烟草销量预测模型的建立、预测流程以及预测模型的评价标准。通过对多隐层BP神经网络模型、广义回归神经网络模型以及遗传算法的研究,分别构建不同的卷烟销量预测模型,并进行优化比较。其中,针对原始销售数据的缺失问题,本文提出了权重平均填补法以完善销售数据,保证了销售数据的完整性。针对神经网络模型的训练参数设定的不确定性和网络在训练过程中常出现的局部最优问题,实验中提出了自适应性的学习率设置方法,来优化多隐层BP神经网络,以提升模型预测的精度。同时,实验中还采用了遗传算法优化BP神经网络的初始化参数,构建GA-BP神经网络预测模型,实现对卷烟销量的预测。在实验仿真中,以什邡卷烟厂在2006年10月至2017年11月期间娇子蓝在德阳区域的销量额为基础,利用神经网络相关算法实现了对卷烟销量的预测。实验证明基于GA-BP神经网络的卷烟销量模型,在训练过程中结合自适应学习率的设定方法,相比于BP神经网络和GRNN神经网络模型具有更高的训练效率,同时也提升了模型的预测精度,使得模型的预测平均绝对误差较低为0.72。实验证明,GA-BP神经网络可以很好的建立时间序列中不同销量值之间的非线性关系映射,同时基于遗传算法优化的神经网络模型具有很好的推广性。