如何提高果园农药喷雾的有效利用率，降低农药在果树以外环境中的投放量是果树农药喷施技术研究的关键问题。至今很多研究者只通过实验来定性地研究各种过程参量对喷雾质量的影响、确定喷雾参量，没有具体的数学模型来研究仿形喷雾过程。本文基于王万章等多位博士的研究，利用已有的实际实验数据，尝试从理论上寻求喷雾关键因素与喷雾质量系数之间的映射关系并进行虚拟，为进一步设计果园施药机具打下基础。同时，借鉴虚拟研究的结果，结合计算机及人工智能核心技术，把神经网络技术应用在果树施药仿形喷雾的研究中。对神经网络在果树仿形喷雾中的运用做了探讨和试验，构建一种适合预测果树喷雾质量的神经网络模型并进行改进。最后，设计和实现了基于GA的BP混合神经网络的果树喷雾质量预测模型，并在MARTLAB平台上进行实现。 主要结果和结论如下： 在三维空间中，综合分析了喷雾过程相关的影响因素，建立了实验条件下的喷雾数学模型并进行虚拟仿真。结果显示，虚拟结果能够反映实际中的趋势，但是无法在误差范围内精确地反映其中各部分的分布情况。这是因为果树喷雾是一个复杂的非线性多因子问题，要真正准确预测，还需考虑其他因素，例如风的影响，并进行试验验证。 鉴于虚拟模型难以精确预测，本文尝试建立了反映果树施药仿形喷雾过程参量与分布质量系数之间映射关系的BP神经网络模型，进行预测。模型以实验数据作为训练样本，以补充实验作为测试与预测样本。在建模中运用了正交实验设计、交叉评价网络训练法、样本标准化处理和主元分析等技术，对网络结构及其参数进行了优选。结果显示，网络模型输出同实验结果相关系数R达到0.99，表明具有广泛的适应性。同时，该网络可以实现各种定量分析计算。 由于BP神经网络的训练并不能保证误差平面达到全局最小值，网络的学习和记忆具有不稳定性；而遗传算法是一种全局优化算法，具有并行计算能力。为此本文对BP网络和标准遗传算法进行改进，然后采用遗传学习算法调整BP算法权重的方法建立混合神经网络预测模型，充分发挥了神经网络的广泛映射能力，克服了BP算法容易陷于局部极小的问题，结果证明，该方法具有全局寻优性、收敛速度快、预报准确性高等特点。 喷雾质量预测系统的设计和基于MATLAB的实现。系统可在各种Windows操作系统平台上稳定运行，具有良好的可移植性、友好的人机交互界面。