供应链金融是一种新型融资模式,它可以缓解中小企业融资难的问题。但是,供应链金融中的风险是易发生的,为更好把控其中的风险,目前出现了使用支持向量机和BP神经网络的风险预测方法,但是,供应链金融领域的智能算法研究不够系统,算法性能有待提升,因此,本文通过改进粒子群算法和差分进化算法进一步提升支持向量机和BP神经网络的性能,论文的主要工作如下:第一,针对粒子群算法不能很好平衡全局搜索与及时收敛问题,本文对粒子群算法的惯性权重和加速因子进行改进,并在算法迭代后期对粒子进行扰动。首先,本文介绍了粒子群算法的原理和存在的问题,得出加速因子和惯性权重应分别采取递增或者递减策略的结论。然后,本文根据优化对象不同,让粒子群算法分别增强全局搜索能力或者加快收敛速度,方法是让惯性权重和加速因子分别采取凹凸函数的形式递增或者递减。最后,实验显示,所提方法的预测准确度更高。第二,本文针对多种群差分进化算法中子种群信息交换不合理的问题,设计了一种新的基于移民算子的协同差分进化算法。首先,本文发现协同差分进化算法中的子种群间的移民算子数量交换不合理,因此提出了一种动态移民算子的策略。然后,将精华种群用于子种群的进化,并且,每个子种群均采用不同的进化策略,更好地平衡了全局搜索与局部搜索能力。最后,实验显示,所提方法的预测准确度更高。第三,本文实现了一个面向供应链金融的中小企业市值预测系统。首先,本文对市值预测系统进行了系统分析,根据系统分析进行了系统设计,包括系统技术架构设计、功能模块设计和数据库设计等。然后,本文对系统各模块进行了实现,并将上述改进的算法部署到后端。最后对系统进行测试,测试结果显示各个功能模块可正常运行。