储粮温度预测是保障粮食质量安全的核心问题，但传统BP神经网络因依赖随机初始参数，易陷入局部最优且预测精度不足。为此，提出一种基于灰狼优化算法（GWO）的BP神经网络改进模型（GWO-BP），其创新点在于将GWO的全局搜索能力与BP网络的梯度优化结合，通过动态调整神经网络的初始权值与阈值，突破传统优化算法的局部收敛瓶颈。实验表明，GWO-BP模型的决定系数（R²）达 0.998 5，均方根误差（RMSE）和平均绝对误差（MAE）分别为0.037 8和0.026 4，较PSO-BP和GA-BP模型分别降低6.4%和3.3%。进一步验证表明，模型在小麦和玉米两类粮食品种中泛化误差增幅不足5%，展现出强鲁棒性。该研究为智能储粮系统提供了高精度温度预测工具，对减少粮食损耗和优化仓储能耗具有重要应用价值。