新疆是我国重要的棉花基地,2021年其产量占全国89.4%,对保障国家棉花供应发挥了重要作用。回潮率是棉花贸易结算的重要依据,其数据的准确性影响棉花收购商以及棉农的经济利益。就新疆而言,环境温湿度、棉花种类以及采摘方式等差异都会对回潮率造成一定的影响,大部分的回潮率检测仪器中缺少对棉花种类、采棉方式等误差因素的分析,且仪器价格偏高,不适用于普通的棉农和收购商。针对以上问题,本文提出了一种基于机器学习的棉花回潮率检测方法。该方法首先通过采集不同的棉样,得到棉花种类和采棉方式数据。其次设计一款基于STM32的棉花电阻值检测装置,能够测出籽棉电阻值和温湿度数据,再通过烘箱法得到准确的回潮率数值。最后分别通过BP神经网络、随机森林和多元线性回归模型预测棉花回潮率数值。本文主要研究内容和成果如下:（1）将机器学习回归模型应用于棉花回潮率预测。目前利用电测器法检测回潮率时,大部分的仪器侧重于补偿的形式来减小误差,增加了仪器的复杂性。本文在电阻式检测原理的基础上,利用机器学习模型进行回潮率预测,增强了对仪器误差的包容性,预测结果显示回潮率的精度有所提高。（2）通过综合评估对比三种回归模型的预测效果,模型优劣排序为:随机森林＞BP神经网络＞线性回归。利用随机森林模型预测回潮率数值,决定系数R~2为0.998,预测的均方误差MSE为9.7×10-4（%）,平均绝对误差MAE为0.047（%）,能够满足国家标准电测器法中要求的误差。（3）利用皮尔逊相关系数r来分析五种特征与预测值之间的相关性,排序为:湿度（0.93）＞电阻值（0.54）＞采棉方式（0.25）＞温度（0.19）＞棉花品种（0.027）。依次去除相关性低的特征再去训练模型,误差均有所增加。另外,BP网络和线性回归存在训练时间长、参数不好确定以及误差较大等问题,随机森林简单高效精度高,是本文研究得到的最佳回潮率预测算法。