温湿度对农作物生长发育具有重要作用,作物长期处于胁迫环境下易产生疾病甚至死亡,会造成严重的经济损失,提前准确获取塑料大棚中温湿度变化对作物提质增产至关重要。塑料大棚由于保温效果好、环境易调控在北方地区得到广泛应用。然而,大棚内部各环境因子具有时序性、非线性等特点,数据采集的反馈具有大时滞性,不利于开展精准化环境调控。预测控制因可以动态预测系统行为在温室控制中得到广泛的应用。预测模型作为预测调控的前提条件,通过构建以大棚环境为输出变量的预测模型,对实现塑料大棚精准高效调控尤为重要。近年来,由于深度神经网络能处理多变量间的冗余交叉及时序性特征,在大棚环境预测领域内逐渐成为研究热点,本文以春夏季以色列国家盛产的罗拉番茄开花到果实成熟期为试验对象,运用深度学习预测模型对大棚内环境进行预测,并在此基础上构建控制策略,试验主要工作内容如下:（1）塑料大棚试验平台的搭建及数据预处理。首先利用国家农业智能装备技术研究中心研发的环境监测设备及北京市昌平区国家精准农业示范基地已有的控制系统搭建试验平台,实现棚内数据实时采集。然后通过线性插值法进行缺失数据填充、卡尔曼滤波平滑噪声,通过Pearson相关性分析确定影响大棚内温湿度的关键因子,最后利用归一化处理消除不同量纲对模型的影响,为后续大棚内环境预测模型的构建奠定基础。（2）基于深度神经网络的塑料大棚温湿度预测方法研究。针对大棚内部温湿度时序性、非线性的特点,提出了一种基于长短期记忆神经网络和门控循环单元神经网络相结合（LSTM-GRU）的温湿度预测模型。试验结果表明:该预测方法对温度的预测指标RSME和MAE分别达到0.431℃、0.352℃,在±0.5℃内的预测误差占总误差比为93.9%;相对湿度的预测指标RMSE和MAE分别达到4.794%、3.579%,在±5%内的预测误差占总误差比为92.0%,提高了棚内温湿度预测精度,为棚内环境控制系统提供高时效的决策依据。（3）塑料大棚智能控制策略的设计与验证。深入分析了大棚内部卷膜控制设备的调控机制及棚内温湿度的影响状态,并在大棚温湿度预测模型及番茄生长环境条件的基础上制定了智能控制策略。在北京市昌平区国家精准农业示范基地大棚内,以已有的环境监测和控制系统为试验平台,进行了现场验证试验。由于湿度基本可以维持在适宜的需求范围,本文着重考虑了室内空气温度的控制。试验结果表明,棚内温湿度基本维持在适宜区间,达到了实际的控制需求。