伴随着全球化进程的不断推进,我国各行业都面临来自世界范围的巨大竞争压力。超市作为零售业具有代表性的行业,更是首当其冲。在该行业中,商品价格作为超市经营管理的一个重要组成部分,不仅是消费者购物决策的关键参考点,同时也是企业获取价值收益的基本来源。据此而论,强化超市商品定价的科学管理不仅对企业的营业收入有益,而且对于改善顾客的购物体验、制定合适的价格体系以及维持零售市场秩序都有重要的帮助。令人遗憾的是,由于超市商品定价问题涉及众多的影响因素,现有的超市定价方法难以适应快速的市场变化。鉴于此,开展基于数据挖掘的超市商品定价研究具有重要的理论意义和实际意义。本论文旨在构建一个支持超市经营决策的商品定价模型。在超市商品价格影响因素分析的基础上,建立商品价格指标体系。而后,构建基于优化BP神经网络的超市商品定价模型,遵循数据挖掘过程,从超市交易数据记录中萃取出商品定价规律,实现自动、智能的超市商品批量定价。本文首先介绍了数据挖掘的理论基础,在分析了超市商品定价常用方法不足的基础上,研究了数据挖掘引入超市商品定价领域的可行性,并就本文所涉及的BP神经网络、遗传算法、加权KNN算法三种数据挖掘算法和技术进行了简要阐述。其次,利用数据挖掘的BP神经网络技术,构建基于优化BP神经网络的超市商品定价模型。在模型构建过程中,首先阐述了基于BP神经网络在超市商品定价中的原理,并提出了构建商品定价模型的具体思路；其次在分析了成本因素、客户需求、竞争因素、其他因素四个价格影响因素后,建立了超市商品的价格指标体系；再次从隐含层节点数、网络的初始权值和阈值、输入层可能存在缺失指标三个方面对BP神经网络进行了优化；最后基于优化的BP神经网络构建了超市商品定价模型。最后,将构建的基于BP神经网络的超市商品定价模型用于实证,对某连锁超市进行商品定价,结果表明该模型和方法是有效的,并具备良好的可操作性,能为超市的商品价格管理提供有效的支持。