近年来，自然灾害频繁发生，给我国的经济发展和人民生命财产和带来重大损失。应对自然灾害时必然需要大量的应急物资，它是救灾工作的物质基础和基本保障，对应急物资需求的分析和研究至关重要。我国应急物流发展尚处于起步阶段，应急物资管理中还存在着诸多问题，特别是应急物资需求量不明确，在救灾过程中出现应急物资短缺等问题。为了提高应对自然灾害的能力和处理效率，有必要对应急物资需求数量的预测问题进行深入研究。　　 本文以预测应急物资需求量为研究对象，首先对国内外在应急物资需求预测方面的研究进行了探讨，分析了各种预测方法的优缺点。然后，文中基于不同的应急环境，根据案例推理、BP神经网络在应急物资需求预测中应用的不足，结合各自的基本原理和算法流程，提出了两种优化算法的预测模型。在历史数据比较齐全，宏观上预测整个救灾情况时，比较适合选择基于粗糙集理论的案例推理预测模型；在历史数据不完备，存在特殊案例或脏数据时，选用基于遗传优化神经网络的预测模型。由于自然灾害历史案例数据多而杂，势必影响案例推理的效率，因而本文利用粗糙集的知识约简，根据不同的应急物资客观地提取相应的关键影响因素，忽略非关键因素，再根据关键因素进行案例检索等操作；同时，根据粗糙集的属性重要度来客观确定案例匹配中需要的属性权值。这种方法不仅缩短了检索时间，降低了计算成本，而且提高了预测的科学性和客观性。另外，根据BP神经网络在应急物资需求预测中的应用，针对神经网络预测过程收敛速度慢，网络结构不稳定等问题，利用遗传算法优化BP神经网络的初始权值和阈值，提高了BP神经网络的收敛速度和全局搜索能力。并给出了基于粗糙集约简的遗传优化神经网络的实验结果。理论分析和实验结果表明，神经网络用于应急物资需求的预测是可行和有效的，有着良好的前景，而GABP算法进一步提高了运行的速度和可靠性。