采购是企业内一项重要的商业过程，通过采购企业可以获得原材料、服务以及用于制造产品和完成服务的各种资源。对于大多数成功的制造类企业，高效的采购活动起到了关键作用。随着网络和信息技术的发展，电子采购已经引起了许多研究者和企业的注意，它不仅可以与其他企业进行互联和从他们的产品和服务中获取利润，而且也可以减少企业内外部的运作成本。但是目前应用较多的电子采购模型，包括网上招标和网上逆向拍卖模型，都把价格作为单一考虑因素，而实际的企业的电子采购不仅仅要考虑采购商品的价格，还要考虑交货时间、交易方式等因素。因此本文首先对满足企业要求的多属性拍卖模型进行了分析，该模型可从采购项目的多属性来进行合作供应商的初次选择，然后与选定的潜在合作供应商进入下一步的价格自动协商。在电子采购的交易过程中关于价格的自动和半自动化协商，有效的技术支持仍然较为薄弱。而关于价格的在线协商确定又是电子采购中必须实现的一步。现阶段，基于Agent的价格协商方法成为解决这一问题的主要的、有效的方法。Agent是分布式人工智能领域中的一项新技术，它是指在某一环境中能持续自主运行的独立的功能实体。由于Agent所具有的自治性、交互性和智能性的特点使之能有效的适应电子采购中价格协商的要求。因此，论文将Agent思想与技术应用到电子采购中关于价格协商中来。价格的协商是一个交互的、动态的过程，这就要求Agent协商系统也能够适应环境的动态变化。前人理论分析表明，如果在协商的多Agent系统中引入学习机制，使得协商双方Agent能够通过学习来调整自己的决策行为，可以使之能够更有效的模仿人在协商谈判中的策略行为，完成价格协商的目的。因此论文建立了基于贝叶斯学习的价格协商模型。论文首先通过对协商协议的规范，对协商过程进行形式化描述，给出应用于电子采购中价格协商的模型，然后在该协商模型的基础上引入贝叶斯学习机制，并分别对提议评价、更新信念、策略构造等过程进行了详细研究，通过贝叶斯学习更新信念以指导协商策略的选择，进行双边交互协商，实现最终关于价格的确定，确定合作供应商企业。论文最后对于提出的具有贝叶斯学习机制的价格协商算法进行了Mathlab计算验证，计算数据表明，该算法能够较好的解决实验环境中的协商问题，而且由于学习机制的引入可以提高协商效率（减少协商次数）和提高协商效用（双方价格的联合效用）。