本试验应用CBR方法建立了以时间序列为轴线的病虫滚动预测模型,利用安徽省农作物病虫数据库对稻、麦主要病虫害的影响因子筛选、参数优化,确定稻、麦各主要病虫CBR预测模型因子、参数构架；并研究构建了安徽省小麦、水稻病虫害识别诊断知识库。农作物病虫害监测预报是进行病虫害综合防治的基础。本文提出了一种用于稻麦病虫害预测的新方法——基于案例推理的时间序列数据的相似年分析(CBR),并主要对其预测因子、参数进行了优化筛选。基于案例推理的方法就是通过搜索曾经成功解决过的类似问题,比较新、旧问题之间的特征、发生背景等差异,重新使用或参考以前的知识和信息,达到最终解决问题的方法。结合安徽省各生态区域的气候特点、地理位置及各病虫害的发生情况,用CBR对稻麦主要病虫害的预测预报研究,首先利用各代表县的年报历史资料建立时间序列历史案例库,再按照指定或预先设定因子匹配规格和权重参数来构建相似度函数,然后逐一计算目标案例与历史案例的匹配程度,最终选取与目标案例相似程度最高的历史案例的结论作为预测结论；在预测过程中,未来相关的预报数据也可加入目标案例的时间序列中参与计算。本研究分别筛选出了小麦赤霉病、小麦白粉病、小麦纹枯病、小麦蚜虫、水稻纹枯病、稻瘟病等主要病虫害的CBR预测因子及参数,经回检,小麦赤霉病、小麦纹枯病、小麦蚜虫、水稻纹枯病、稻瘟病的预测准确率皆达到80%以上,小麦白粉病的预测准确率为77.05%。其中,小麦赤霉病大流行年份的预测准确率达70%左右。因此,该预测参数具有一定的可靠性,可作为CBR模型预测稻麦病虫害的依据。利用Visual Basic6.0研究构建了安徽省稻麦病虫知识库,为构建该知识库,收集了安徽省稻麦常见病虫害的文字描述资料和图片资料,包括不同病害在农作物不同部位的发病症状描述、典型症状图片及常规的防治方法等,通过计算机语言将文字和图片有机地结合起来,使得稻麦病虫害的识别诊断更加直观、简易。用户登陆系统后进入主菜单,根据自己的需要,从菜单中选择所要执行的项目或输入必要的信息。该知识库具有图文并茂、种类较全、通俗易懂、操作简单、实用性强等特点,为基层植保工作人员的田间识别诊断提供了可靠依据。