植物在其生长过程中,始终维持着与周围环境进行物质和能量传输,植物电信号是一种植物对外界环境因素改变而做出的应激反应,其在植物体内是普遍存在的。植物电信号作为植物体内的主要生理信号,能够实时反映植物自身的生理生长状况,以及周围环境的变化对植物生长状态的影响。不同光照强度对植物电信号有不同的影响,所以能够根据实时植物电信号的大小来判断植物生长环境中的光照强度。本文以深度学习和卷积神经网络理论为基础,根据卷积神经网络特点和求解方法,搭建光照强度与植物电信号之间的关系模型,研究不同光照强度对植物电信号的影响。首先,建立植物电信号采集系统,采集不同光照程度照射下芦荟电信号。设计采集实验以及采集电极,采用BL-420N信号采集与处理实验设备,采集五档光照强度下的芦荟电信号,证明芦荟电信号在时域随着光照强度的增强而非线性增加。其次,使用CNN神经网络对芦荟电信号进行训练。结合EMD和改进小波阈值法对芦荟电信号进行平稳化消噪处理,消噪后的电信号数据经短时傅里叶转化后输入到CNN神经网络中。通过深度学习训练,芦荟电信号对光照强度分类准确率保持在95%左右,损失函数为2%,得到光照强度与植物电信号的一般规律,并解决模型训练中还存在一些欠拟合与过拟合的问题。最后,本文在CNN分类模型基础上进行优化,构建一种结合卷积与长短期记忆神经网络。针对分类模型的实验表明,基于深度学习的CNN-LSTM混合神经网络训练芦荟电信号对不同光照强度分类效果好,能够提高网络的训练效率、计算能力和模型精度,分类准确率保持在98%左右,损失函数趋近于0,模型F1-score值趋近1。得到光照强度和芦荟电信号之间的耦合规律,能够根据芦荟电信号大小判断所处环境的光照强度。本文的研究成果有助于理解光照强度对植物电信号的影响以及CNN-LSTM混合神经网络分类模型,为深度学习在植物电信号领域的实际应用提供理论指导,对后期探究多种环境因子与植物电信号的关系奠定基础。