水稻是我国最主要的粮食作物之一。准确预测水稻产量对于制定粮食储运、调拨计划、保障我国各地粮食供给平衡有着重要意义。而水稻产量与其生长期的各种气象要素之间有着较为复杂的非线性关系,用传统的预测方法难以准确地对其进行预测。为此,对基于改进飞鼠搜索算法（SSA）与双向门控循环单元（BiGRU）模型相结合的水稻产量预测方法进行了研究。完成的主要研究工作有:（1）针对SSA求解精度不高、容易早熟等缺点,提出了一种采用反向学习策略和差分进化改进的SSA（ODESSA）。该算法首先对最初种群使用反向学习生成其反向种群,增加初始种群的多样性。之后在飞鼠搜索的过程中,利用差分进化算法中的变异、交叉、选择机制来扩大飞鼠搜索范围,以此来增强算法的全局勘探能力。最后再次利用反向学习生成所有搜索个体的反向解,进一步增强算法的全局勘探能力和算法的求解精度。将ODESSA与其他3种智能算法（SSA、PSOSSA、和ISSA）在12个基准函数上进行了性能比较,实验结果表明ODESSA在12个基准函数中获得10个最优（其中2个并列最优）的结果。为了验证改进效果,将ODESSA与只使用反向学习改进的SSA（OSSA）、只使用差分进化改进的SSA（DESSA）在12个基准函数上进行了性能比较,实验结果表明ODESSA均优于OSSA和DESSA,有着最佳的寻优结果,收敛速度也快于SSA。（2）采用ODESSA优化BiGRU模型的训练过程,提出了一种将ODESSA与BiGRU相结合的一种新的预测模型（ODESSA-BiGRU）。该模型通过用ODESSA代替传统BiGRU中训练参数时使用的梯度下降法来训练模型参数,利用ODESSA具有更大的搜索范围和更强的寻优能力改善了梯度下降法容易陷入局部最优解的不足,使得BiGRU模型能够训练出更好的参数从而获得更好的性能。最后将该模型应用到水稻产量预测这一复杂的问题当中,使用南宁市历年早稻产量和同期气象数据作为实验数据对ODESSA-BiGRU模型进行训练,得到最终的预测模型。将该模型与其他四种人工神经网络预测模型进行了性能比较。实验结果表明ODESSA-BiGRU模型比其它模型具有更高的预测准确性,为水稻产量预测提供了一种新的方法。