在现代农业发展中,农作物病虫害是制约农业产量和提升农业发展的重要因素,对病虫害的预防和预测成为了越来越多专家和农业工作者关注的重点。随着深度学习和大数据的快速崛起,现阶段国内外对病虫害预测的手段越来越多,但提升各种手段对病虫害预测的准确性、加强病虫害防治仍是当前农作物产业发展的主要研究方向。经研究发现,历年来农作物的病虫害情况与当地历史天气情况变化有着一定联系,且这些数据随时间的变化可以得出一些规律,许多学者使用在处理时间序列问题上有一定优势的长短时记忆网络（LSTM）进行了病虫害的预测,并取得了良好的研究成果,而作为LSTM模型变种的双向长短时记忆网络（Bi-LSTM）在这类问题上应用较少,该模型在自然语言处理领域应用广泛,同样在处理时间序列问题上具有一定的优势。基于以上考虑,本文尝试使用Bi-LSTM模型对水稻的病虫害情况进行预测,主要研究如下:1)对获取的原始数据集进行统计和相关性分析。首先对从病虫害系统下载的18000多条数据进行整理归类,包括不同地区历年来的水稻病虫害数据和八项天气数据,通过对数据进行分类、使用相关性系数对各项天气数据和水稻病虫害数据进行相关性分析,发现最高温度、最低温度、早上相对湿度,夜间相对湿度与病虫害之间的关联性较高,并且这些数据与时间变化相关,决定使用这五类因素作为本次模型的预测因子。2)利用选取的数据集对Bi-LSTM模型进行训练,获取适合本课题的最优模型参数。首先通过对数据和病虫害预测问题的分析,确定了适合模型的激活函数和对模型准确率影响较大的四个网络参数,再选取四个训练集作为输入,采用控制单一变量的方法对模型的各参数进行调整训练、选取训练效果最优的参数值搭建模型,使调整后模型的预测效果达到最优。3)利用调整好的模型对水稻病虫害进行预测。本次实验对水稻病虫害的三个方面做了预测,分别为水稻病虫害发生情况（不发生病虫害、发生病虫害）预测、未来不同时段（未来一周、两周、三周、四周）水稻病虫害发生情况预测、水稻病虫害发生程度（严重、一般、轻微）预测。前两次预测所使用的数据集相同,针对水稻病虫害发生程度的预测,本文重新使用不同的数据集进行了模型参数调整,最终选取了预测结果最优的参数值来搭建模型进行预测。最后实验结果显示Bi-LSTM模型在三个方面的水稻病虫害预测问题上都有较好的性能。4)使用循环神经网络RNN和LSTM模型的预测结果与Bi-LSTM的预测结果进行对比。本文将Bi-LSTM模型的实验结果与另外两种模型的实验结果进行了对比,对比结果显示优化后的Bi-LSTM模型的预测效果优于其他两种模型,取得了较好的预测性能,表明Bi-LSTM模型同样在农作物病虫害预测问题上有较好的表现,综上所述,该模型在农作物病虫害预测领域可为实际研究提供参考价值。