将物联网技术与农业深度结合的智慧农业具有科学栽培、精准操控、绿色农业等强大优势。物联网的传感器采集数据过程中可能会发生数据异常的情况,在数据传输过程中还可能发生数据丢失的情况。若直接使用这些数据,势必对后续系统造成严重错误,对决策判定造成重大失误。本文将对采集的农业数据进行异常检测,并对异常值和传输过程的缺失值进行补值。对传感器采集的农业数据,本文提出采用马田系统(Mahalanobis-Taguchi System,MTS)进行异常检测,对于判定农业异常数据具有良好的效果。主要研究内容包括:(1)对正常数据和异常数据分别计算马氏距离(Mahalanobis Distance,MD)构建马氏空间(Mahalanobis Space,MS)。(2)为了降低后面检测和分析的工作量,采用正交表和信噪比来优化马氏空间,并通过f极大值方法来确定阈值。(3)利用采集的真实农业数据进行异常检测实验验证,实验结果表明利用马田系统对数据异常数据检测具有80.13%的正确率。对于数据中存在的异常值和缺失值,本文采用时间属性和信任属性组合方法进行异常值和缺失值补值,很好地解决了农业数据中存在的缺失问题。主要研究内容包括:(1)采用差分自回归移动平均模型(Auto Regressive Integrated Moving Average Model,ARIMA)对时间属性进行缺失值估值。将采集数据进行差分后,通过自相关函数和偏自相关函数确定自回归模型和移动平均模型的阶数,进而能够对数据进行时间属性的预测。(2)ARIMA模型补值可能会受到自身误差的影响而导致估值出现误差,为了降低误差,本文采用基于信任属性的多元线性回归模型(Multiple Linear Regression based on Trust Attribute,MLRTA)从信任属性对缺失值补值。利用节点之间的信息交互,通过主观逻辑将其转换为信任值,进而通过信任值来选取信任节点,由此使用多元线性回归估计缺失值。(3)采用权重分配方法将ARIMA模型和MLRTA模型进行组合成ARIMA-MLRTA算法,该算法对补值具有更高的准确性。(4)实验验证ARIMA-MLRTA算法相比于LIN估值算法、KMRA估值算法,ARIMA-MLRTA算法具有预测效果更好、预测准确率更高的优势。