在我国动车组技术创新发展这一大背景下,随着从和谐号到复兴号等服役车辆型号越来越多,对动车组配套的检修保养机制要求越来越高,其中动车组备件的合理供应是运营单位检修计划能否高效实现的前提,但备件的持有成本、存储成本及订货成本对动车组运营单位来说会占用巨大的流动资金,运营单位则期望以最低的备件库存管理成本来实现动车组检修作业计划。我国现行动车组检修工艺、修程修制及检修物料的库存管理因备件分类不够清晰、需求量不明确及库存策略过于笼统等原因,同时存在库存备件不足和备件冗余的问题,不能完全满足动车组检修计划的实现。因此,本文针对以上问题对动车组备件分类方法、备件需求预测及库存控制策略展开研究,主要内容如下:建立了基于遗传算法优化长短记忆神经网络（GA-LSTM）的备件预测模型。以路局备件历史消耗数据为例,将历史数据按比例分为训练数据和测试数据,在对比测试数据与GA-LSTM模型预测数据的同时,通过与支持向量机模型预测数据的对比分析证明了该模型的有效性,为备件分类和库存管理提供支持。根据动车组备件的特点和RAMS标准,从可靠性、经济性、安全性、可用性、可维修性等5个维度建立了动车组备件的分类指标体系,根据IGAHP法得到指标权重系数,设计了可量化评价的11个分类指标,考虑DEA模型指标的分类原则将11个指标分为输入、输出指标,再利用DEA对偶模型计算备件的相对效率即相对重要性,最终利用ABC分类原则将备件分为核心备件、重要备件、普通备件三类。设计IGAHP-DEA-ABC分类方法为动车组备件库存提供便利。根据不同种类动车组备件的特点,对于历史数据匮乏,采用GA-LSTM预测方法达不到期望的备件,根据其寿命分布类型确定备件需求数量,并基于（S-1,S）,（s,Q）备件订货策略确定了所分类备件订货提前期、订货批量及盘点周期等,进而为各类备件制定了相应的库存控制方法。本文将长短记忆神经网络预测模型应用到动车组备件需求预测中,改进ABC分类方法,并根据我国路局动车组检修工艺、修程修制特点,对不同种类备件制定了相应的库存管理策略,为铁路动车组运营单位的物料管理提供一定的理论参考。