水、肥是农业生产中的两个非常重要的方面，两者具有协同效应，增水能够增加肥料的增产效应，增肥能够增加灌水的增产效应。现阶段大田作物的施肥灌溉制度仍以粗放型、经验型为主，不仅浪费大量水资源，而且化肥的大量施用会造成农业生产成本的增加，污染土壤和水体，破坏生态环境，危害人类身体健康。因此合理优化水肥耦合的灌溉制度已成为关键性问题。在农业生产中，水、肥既相互制约又相互协调促进，只有合理匹配水肥因子，才能起到以肥调水、以水促肥，并充分发挥水肥双因子的耦合增产作用。因此，研究水肥耦合效应，对提高水分和肥料利用效率，避免生态环境的破坏和恶化，提高农业生产的综合效益，保障农业可持续发展有着重要的意义。鉴于此本文建立了考虑水肥耦合效应的灌溉制度多目标优化模型，主要研究内容包含以下两个方面：首先应用现代化设计方法建立灌水-施肥-产量之间的关系。利用支持向量机在解决小样本、非线性及高维模式识别的函数拟合问题中的特有优势，建立灌水-施肥-产量间的回归机模型。模型中的C、σ是决定其回归精度的关键性参数，而且都是人为事先设定的，无规律可寻。基于此，本文采用粒子群优化算法（PSO）对支持向量机（SVM）模型中的关键参数进行优化，避免由于参数选取的不当而造成的“过学习”或“欠学习”的现象。另一方面，近年来BP神经网络因其自学习和自适应能力强、泛化能力强等优点被广泛应用，故本文同时建立基于BP神经网络的水肥生产函数模型。并对所建立的模型进行对比分析，确定最优水肥生产函数模型。其次为确定合理的水肥耦合灌溉制度，本文采用改进分组非支配排序的多目标遗传算法（GNSGA-II）建立了基于PSO-SVM水肥-产量关系的多目标优化模型，并以灌水量和施肥量为决策变量进行同步优化，以期达到作物全生育期内灌溉水量最小、施肥总量最少、作物产量最大的优化目标。合理确定灌水量和施肥量，使得水肥的田间管理得以精细化控制。同时考虑到现代农业生产状况，以单位面积农作物的经济效益最大为目标，并兼顾环境效益进行施肥量和灌水量的同步优化，其优化的方法和结果可为现代化的农业生产提供参考依据。本文根据水肥-产量间的关系分别建立了PSO-SVM和BP神经网络水肥-产量预测模型，同时建立了基于PSO-SVM水肥-产量关系的多目标优化模型，旨在确定合理的水肥耦合灌溉制度。并将所建立的模型应用于实例，得到以下结论：（1）应用粒子群算法(PSO)对支持向量机的关键参数进行了优化，有效地避免了SVM中参数选择的不足，保证了SVM的学习、预测能力，提高了预测精度。（2）基于PSO-SVM的水肥-产量关系模型在预测精度、参数选择方面明显优于BP神经网络模型，并且具有较好的鲁棒性。（3）应用改进的多目标遗传算法（GNSGA-II）建立了基于PSO-SVM水肥-产量关系的多目标优化模型，以灌水量和施肥量为决策变量，产量和经济效益为目标进行的同步优化，得出了部分非劣解，供决策者参考使用。该优化模型可为田间水肥精细化管理提供参考依据。