中国作为世界第一水产养殖大国,水产品产量稳居世界首位。中国传统水产养殖主要以个人化为主,水产养殖即养水,养殖人员大多根据以往的养殖经验进行水质状况的判定,且无法对水质状况进行提前预知,还容易因为个人操作致使水质恶化。随着物联网技术的发展,智能化水产养殖已逐步成为可能,本文将基于物联网技术设计一种可协助养殖人员对水产养殖水质实现智能化管理的水产养殖水质综合应用小程序,可实时观察水质状况并对未来一段时间内水质因子的变化趋势进行预测,本文主要进行了以下研究工作。（1）具体分析了各种水质因子对水产养殖的主要影响,并选定水质中的p H、溶解氧、氨氮和磷四个参数来判断水质具体状况,在水质评价标准上,由于水产养殖水域往往环境复杂且易受其他因素的影响,因此选用《地表水环境质量标准》作为水质综合评价标准。（2）在水质综合评价方面,对深度神经网络、粒子群优化的支持向量机和贝叶斯定理三种算法的结构和基本原理进行了探讨,并将这三种算法用于水质评价,由于深度神经网络易陷入局部最优;支持向量机核函数选取具有主观性;贝叶斯定理难以分辨各水质参数的置信度,因此通过证据理论将三种算法进行融合,并选取国家地表水质自动监测数据对三种算法和本文所提的水质评价方法进行仿真验证,仿真结果表明,本文所用的一种基于多分类器和证据理论融合的水质评价方法各个性能均优于三种算法,能够使得输出水质评价等级,更为客观、准确。（3）在水质预测方面,对长短时记忆网络（LSTM）的结构和原理进行详细解释,并将卷积神经网络（CNN）的提取信息特征的能力和长短时记忆网络（LSTM）对时间序列数据的敏感性相结合,对水质变化趋势进行预测,在此基础上,引入注意力机制,对CNN-LSTM预测模型进行了优化,使用概率分配权值方式代替随机权值的方式,使得预测模型精度更高、效果更好。并选取国家地表水质自动监测实时数据对四种水质参数进行了预测仿真验证,最终仿真结果表明,本文所用基于注意力机制的CNN-LSTM水质预测模型均优于CNN-LSTM和LSTM,能够准确预测水质参数的变化趋势,为水质状况的预测提供理论基础。（4）研发水产养殖系统,水质数据采集终端选取XW-9300水质分析仪,该水质分析仪监测参数包含本文所需的p H、溶解氧、氨氮和磷共四种水质参数,可应用于水质检测、水产养殖、污水处理等方面;并开发实现水产养殖水质综合应用小程序,进行小程序设计时,选取My SQL数据库作为水产养殖系统数据库,使用阿里云服务器、MINA、PHP等框架对微信小程序后台进行设计,并且将本文所提的水质评价和水质预测方法应用于所采集水质数据,并在微信小程序中进行显示,微信小程序主要实现了水质综合评价、水质预测、水质参数、决策建议等可视化功能。最后对系统功能进行了测试,验证系统可行性,测试结果表明,水质数据采集终端可上传至阿里云服务器,并将所获取数据解析后存储至数据库相应表单,同时对水质进行综合评价并对四种水质参数进行预测,小程序页面可以通过后台查询相关数据并于小程序页面显示,协助养殖人员进行养殖水质管理。