随着农业机械化的程度不断增加,各种提升农业生产水平的方法层出不穷,就目前而言,各种智能装备广泛用于农业生产的各个流程当中。在作物生长过程中,光合作用是必不可少的一个过程,如何让作物能够充分地进行光合作用成为了提高作物产量的重要途径之一。本文在系统设计时引入机器自我学习功能。机器学习是人工智能及模式识别领域的研究热点,其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。本文利用神经网络解决补光时长的问题,通过监测地摄像头获取的作物图像,利用图像分析算法,将获取的图像进行去背景、色彩量化、色彩过滤,提取图像中的关键信息。通过和周边使用同个系统的比对点环境控制参数进行交互比较,智能化调整作物的补光时间,使得在无人工干预的情况下,系统会根据作物生长情况对环境控制参数进行调整。在作物补光方式上,除了采用传统的恒光源进行补光,本系统还定期模拟不定频率的变幻光源对作物进行类自然光补光,以及研究采用塑料光纤（Plastic Optical Fiber,POF）对自然光进行再分配。采用不定频率变幻的补光源可避免作物长时间光合作用造成的光合作用抑制产生,提高植物光合作用的效率,使得能源高效利用。围绕草莓的生长影响进行光控系统测试。草莓可在春秋两季栽种,生长周期短,具有观赏性和实用性,被各地区广泛种植,故本文以草莓作为样本。利用上述的图像分析算法,对草莓叶片进行采样。通过对草莓叶片图像的处理,调整图像的背景,按照“绿色度”进行量化操作,最后按照平均阈值计算得出草莓叶片的单色点阵图。通过对点阵图的特征分析,对比多个监测点点阵图数据,实现了对补光时长的自动化控制。同时通过微控制器中的系统参数调整,可以调整补光方式。通过对光控系统进行实地测试,对比所收集的光照数据和补光时间,可以看出补光时间随着时间的推移而发生变化。最终几次实验数据结果差别都不是很大,验证了这个光控系统对于草莓植株补光方式实现了智能化操作,同时在处理逻辑上实现了机器自我学习的功能。