随着养殖技术的不断发展,养殖水质环境成为各国研究的热点,及时调控氨氮浓度改变养殖环境,可以有效提高养殖产量。由于水体中的氨氮浓度可以看成是受环境、气候、水质等多因素影响的非线性变化时间序列,在检测水产养殖环境氨氮浓度过程中,通过时间序列预测方法,可以得到调控所需的氨氮浓度,解决现有检测方法的缺陷,提高养殖产量。采用时间序列预测的思想针对养殖水质氨氮浓度数据进行分析和建模,建立氨氮浓度与其他因素的关系,能预测得到当前时刻的氨氮浓度,有效地解决传统检测方法无法及时获取氨氮浓度导致的一系列养殖问题。但是人工智能算法对数据和模型的稳定性要求很高,在养殖过程中的水质参数获取主要依靠传感器检测和人工记录两种形式,因此,数据预处理能够为养殖氨氮浓度预测模型的建立提供有效的数据支撑。同时,目前现有的统计学方法和软测量方法都无法联系数据的时序性,并且建立的模型鲁棒性和稳定性差。本文针对上述问题提出以下两种方法:1.为了解决海水养殖数据采集过程中设备和人工带来的误差,为预测模型建立提供高质量的数据,提出一种改进小波降噪的策略,通过改变阈值函数,根据阈值函数进行特征选取,在软硬两种阈值函数中加入偏置项,使阈值函数在软硬之间可调,能够针对数据的变化进行阈值调节凸显细节,在降噪时能够有效保留原有数据特征。该方法能够有效地降低信号的方差,提高信噪比。降噪后的数据使用长短期记忆网络（Long Short-Term Memory,LSTM）处理,验证改进小波降噪方法的可行性。结果表明采用该降噪方法后的数据能够提高预测模型精度,既证实了改进阈值函数小波降噪方案的可行性,也验证了LSTM由于考虑序列的时序性具有更好的预测结果,提出的LSTM氨氮浓度预测模型为水质调控提供重要的依据。2.为了解决单一预测模型鲁棒性和稳定性差的问题,提出改进权值分配的自适应增强算法（X Adaptive Boosting,XAda Boost）,来对LSTM氨氮浓度预测模型进行迭代提升。既能通过LSTM联系数据的时序性,又能通过改进权值分配的Ada Boost算法产生并组合多个子模型,提高模型稳定性和鲁棒性。改进权值分配策略,引入纠正迭代次数解决了Ada Boost基础算法造成数据误差积累的缺点。多个子模型的加权求和,解决了单一预测模型鲁棒性和稳定性差的问题。结果表明,XAda Boost算法迭代提升的LSTM模型稳定性和精确度比MLP、采用卷积神经网络（Convolutional Neural Network,CNN）改进的LSTM模型、采用Ada Boost算法迭代提升的LSTM模型更高。结合该算法设计氨氮浓度预测系统,能够对不同养殖环境中氨氮浓度进行预测。同时,能够为控制系统提供准确的数据进行水质调控,进而提高养殖质量和产量。