目前，水资源紧缺已成为许多国家或地区农业发展的障碍，在农业生产中，如何有效地利用水资源将是各国研究者的重点研究课题。土壤墒情是指土壤的含水量情况，表明了土壤的水分分布状况。墒情往往会受多种气候条件的影响，例如温度、空气湿度、降雨量、光照等。墒情预测指的是以当前土壤含水量和与墒情有关的因素为基础，推测土壤水分未来的变化趋势。通过墒情预测在提高水资源的利用率的同时还可以提高农业抗旱、防旱能力。随着灌溉技术的飞速发展，我们对土壤墒情监测与预报的研究工作也提出了更高的要求。如何提高墒情监测和预报的准确性将成为我们面临的重要课题。以往的墒情预测方法主要依靠经验推断和理论研究，经验推断法需要的参数少，但是需要长期的经验积累，并且其理论研究常常需要依靠非常理想的条件和过多的参数，需要投入大量的人力和物力。如何构建一个具有较好的理论支撑，参数容易获取，而且能快速投入实际应用的墒情预测模型是我们的研究方向。在本论文中，我们主要做了以下几方面的工作：1、首先简要介绍了土壤墒情的研究背景和意义、以及复杂网络、智能算法和墒情预测的研究现状，进而提出本论文的主题。2、重点介绍了复杂网络和BT网络。首先讲述了复杂网络的拓扑特性，然后仔细分析了复杂网络的小世界特性、社团结构和BT网络的传销特性。3、详细介绍了智能优化算法中的两个经典算法，即粒子群算法和遗传算法。针对智能算法中存在的问题，本文将遗传算法的思想融入了粒子群算法中，并通过TSP问题验证了二者的结合有一定的意义。4、建立智能合作网络模型。此模型的独特之处是它运用了复杂网络中的小世界模型、社团结构和BT网络中的传销特性，并且使得三者和智能优化算法进行了结合。5、详细介绍了智能合作网络模型在墒情预测中的具体执行过程。通过相关实验证明了此网络模型的有效性。本文的创新点主要有以下几点：1、提出了改进的GA-PSO算法，并通过TSP问题证明GA和PSO的一定结合可以很好的解决离散性问题。2、建立了智能合作网络模型。此模型的原理主要是运用了智能优化算法、复杂网络中的小世界模型、社团结构和BT网络等方面的独特优势。3、建立了智能合作网络模型预测墒情时用到的适应度函数。我们分别利用基本PSO算法和智能合作网络模型对墒情预测进行了模拟仿真，实验结果证明，后者获得的墒情值与实际结果更加吻合。