棉铃虫是公认的世界性大害虫,可对多种作物造成严重危害,使农业经济遭受巨大损失,一直是农业害虫测报和防治的重点。棉铃虫发生的预测可看作是一个输入输出系统,恰能用神经网络很好地表达。在预测时对网络加以改进,以提高运行效率和识别精度。本研究以山东省郓城县1959-2007年的棉铃虫发生数据为对象,共49个样本,预测因子(包括气象、虫源基数等)40个,属于特征维数高(变量多)、样品个数多的大样本。针对待处理问题特征维数高的特点,通过对待预测样本进行降维分析,以减少样本的特征维数,从而减少神经网络的输入,便于网络的设计,简化网络结构,提高网络的收敛速度,节省运行时间,进而提高网络的运行效率。将特征降维与神经网络结合,建立了基于FA的BP算法(FABP)模型、基于FA的RBF算法(FA-RBF)模型、基于PCA的Elman算法(PCA-Elman)模型,以期探求基于特征降维的神经网络算法在害虫测报中的应用。将待处理问题的训练样本进行聚类分析,将相近的样本聚为一类,根据实际需要将样本划分为3-6类,以便于细化样本,以训练更为精确的网络模型,然后逐一将仿真样本进行判别分析,归入训练样本所聚的类中,再用相应的网络模型进行预测,从而提高网络的预测精度。建立基于CA的BP算法(CA-BP)模型,以探求在害虫测报中的应用。用遗传算法来优化神经网络,以改善神经网络固有的缺陷。用GA优化BP神经网络的权值、隐层神经元个数,以改善BP易陷入局部最小、收敛速度慢和隐层神经元难以确定的不足。以探求基于GA的BP算法在害虫测报中的应用。将特征降维、聚类分析、遗传算法、以及神经网络的优点结合,分别建立基于FA-CA-BP的算法模型、基于FA-CA-GABP的算法模型,以改善神经网络的性能,进而探求在害虫测报中的应用。结果表明预测因子通过降维分析,虽有一定的信息损失,但可以减少数据冗余,在预测精度没有降低的前提下,提高收敛速度,节省运行时间;通过聚类分析虽增加了操作的复杂度,但在一定程度上提高了预测精度;通过GA优化虽耗费一定的时间,但提高了训练的成功率,在一定程度上提高了网络的效率;将几者优点结合的模型,虽然大程度地增加了操作的复杂度,但在强大的计算软件和编程工具的帮助下,可轻松得到结果,以求为害虫预测建立更实用的模型。同时为研究害虫生态提供新的模型。最后运用C++和MATLAB程序设计语言开发操作平台,人机交互式,操作简单,便于推广应用。