森林蒸散发是陆地蒸散发中的重要组成部分之一,也是森林生态系统中水文循环和能量循环的关键环节。森林蒸散发量的精确模拟对于森林水资源管理和有效利用以及林业的可持续发展具有重要的意义。本文以山西省芦芽山自然保护区为研究区,探寻适用于森林蒸散发量模拟的人工智能模型,并对最优模型进行优化,最后探究不同环境因子对森林蒸散发量模拟的影响。主要得出以下结论:（1）研究区内气温（Ta）、水汽压（Pva）、风速（WS）、净辐射（Rn）和土壤热通量（SHF）5种环境因子与蒸散发量（ET）正相关,其中Rn与ET的相关性最高。相对湿度（RH）与ET负相关。各环境因子与蒸散发量的相关性从高到底依次为Rn、Ta、SHF、RH、WS和Pva。（2）在模拟森林蒸散发量时,长短期记忆网络（Long Short-Term Memory,LSTM）的均方根误差（Root Mean Squared Error,RMSE）和平均绝对误差（Mean Absolute Deviation,MAE）分别为0.137、0.073,决定系数（coefficient of determination,R2）为0.735。相较于支持向量机（Support Vector Machines,SVM）模型、随机森林（Random Forest,RF）模型,LSTM模型对时序信息的记忆能力能够有效提升模拟精度,在时序问题的模拟分析中有一定的优越性,更适用于森林蒸散发的模拟问题。（3）使用卷积神经网络（Convolutional Neural Networks,CNN）的CNN-LSTM模型模拟森林蒸散发量的RMSE和MAE分别为0.116、0.059,R2为0.813。使用注意力机制（Attention Mechanism,Attention）的Attention-LSTM模型模拟森林蒸散发量的RMSE为0.110、MAE为0.055,R2为0.832。卷积结构可有效提取输入参数中的特征信息,有助于提升LSTM模型模拟森林蒸散发量的精度。但CNN会损失输入参数的部分时序信息,而Attention的时间注意力和特征注意力在充分挖掘特征信息并突出关键参数的同时,保持了输入参数的时序特性,能够更有效地对森林蒸散发量进行模拟。同时Attention-LSTM模型在山西省太宽河自然保护区的日尺度蒸散发量数据集上也表现出了较高的精确度,验证了该模型在森林蒸散发量模拟问题上的普适性。（4）6种环境因子单独模拟森林蒸散发量的模型精度从高到低依次为Rn、Ta、RH、SHF、WS和Pva。但单环境因子模型的精确度不高,不足以进行森林蒸散发量的准确模拟;引入另一种环境变量时,每种环境因子的引入在森林蒸散发量的模拟中都起到了积极的作用。6种环境因子的引入对模拟精度提升效果排序从高到低依次为RH、Ta、Rn、SHF、WS和Pva;输入的环境因子为4种时,模型可以达到一个相对可靠的精度。当4种环境因子中包含Ta、RH和Rn 3种环境因子时,模型的模拟效果优于输入全部环境因子的SVM模型、RF模型和LSTM模型。Rn、Ta、RH这3种环境因子在森林蒸散发量的模拟中表现出了很强的重要性,在缺少部分环境因子的情况下,包含这3种因子的4环境因子可作为模型的输入参数进行森林蒸散发量的模拟。本文的研究成果对山西省森林蒸散发量模拟具有一定的现实意义,构造的Attention-LSTM模型可作为森林蒸散发量模拟的可靠模型,影响森林蒸散发量的环境因子分析可为森林蒸散发的机理研究提供一定的理论参考,有助于更高效地利用森林生态系统的服务和功能。