在物流领域的信息技术不断发展的今天,物流需求不断向多样化、动态化和复杂化的特征变化,与此同时,随着物流资源整合与配置平台的发展,面对海量、多粒度的物流资源表征信息、物流任务需求信息和动态匹配信息等,使得物流匹配系统的规模越来越大,越来越复杂,并呈现高维、结构非线性、信息模糊性等特征和问题。因此,如何让物流资源与任务进行智能化、灵活化和高效化的匹配并能自适应复杂多样的任务需求环境的变化,已经成为亟待解决的问题。本文提出模糊与精细相结合的两阶段匹配方法,提高匹配效率,并适应不同阶段的需求变化,实现物流资源与任务的一对一匹配。在第一阶段提出基于距离空间函数的模糊匹配模型,根据量化的物流能力进行模糊匹配,得到一对多的匹配结果,提高匹配效率;第二阶段提出多目标组合优化的精细匹配模型,并设计蚁群算法求解,适应复杂多样的物流需求,得到一对一的匹配结果。然后,提出基于多层前馈神经网络的自适应反馈方法,形成结果反馈控制和匹配闭环,实现匹配过程的循环优化。主要的研究工作如下:1)研究物流资源与任务的第一阶段模糊匹配。首先采用基于模糊物元TOPSIS相对贴近度的物流能力量化模型,通过投影法确定量化指标的权重。根据物流资源与任务的自适应形式化描述,以及量化后的物流能力提出基于距离空间函数匹配模型,利于候选资源池的快速形成,实现物流任务与资源1对多的高效匹配。2)研究物流资源与任务的第二阶段精细匹配。首先根据精细匹配基本思路构建多目标组合优化匹配模型,然后基于改进的TSP问题,设计蚁群算法进行组合优化匹配,适应不断变化且复杂多样的物流任务需求,得到物流任务与资源1对1的匹配结果。3)研究自适应匹配控制。分析两阶段匹配中各环节,提出基于多层前馈神经网络自适应反馈控制算法,对两阶段匹配过程中的运作策略和智能化决策进行自适应学习并反馈,提高对物流需求的预见性,形成匹配优化闭环,循环优化匹配过程,提高匹配智能性。4)算例分析。通过算例验证两阶段匹配方法的有效性和合理性,形成一对一的匹配结果,并验证多层前馈神经网络自适应反馈算法对物流任务的资源推荐作用的可行性和有效性。