人工智能农业（Artificial intelligence agriculture）,是未来智慧农业的一种生产方式。它利用智能搜索、自然推理以及自动程序设计等研究,来进行精准农业生产。农业智能系统诊断和管理,可有效节省生产成本。传感器技术正逐步提升农业装备的科技性,例如智能拖拉机配备智能系统完成智能作业、大地块,大型农场的深耕、犁等作业。因为全国各省地形、土壤湿度的不同,导致地表经机具碾压过后平整度差。耕作时存在耕深不稳定问题,影响土壤的疏松、蓄水能力及机具稳定性。为解决这个问题,需要对耕深进行预测分析。以期建立预测效果较好且为智能调节系统提供指标的耕深预测模型。首先本文以智能拖拉机在长春市农安县试验田采集系统及耕深数据为基础,验证数据的有效性,测试系统的稳定性,采用平稳性检验、缺失值处理、异常值处理、无用因素删减、标准化处理作预处理分析。为保证后续模型训练效果的优良性,论文采用皮尔逊（Pearson）系数法、斯皮尔曼（Spearman）系数法对研究对象的相关关系进行研究,删除相关性较弱的特征。在使用随机森林的重要性排序去除重要性分值低于0.01的特征,来避免无效特征的出现,从而防止过拟合发生,提升模型训练效果。其次将机器学习的算法应用在耕深领域,建立决策树（DP-DT）、随机森林（DP-RF）、袋装算法（DP-Bagging）、DP-Boosting、支持向量机（DP-SVM）5种耕深预测新模型。选择评价指标（RMSE、NMSE、R~2、MAE）,作为后续预测模型建立与改进的评估标准。通过对建立的5种耕深预测模型初步预测后,与传统的耕深预测模型（多元线性回归模型）对比评估,发现6种模型有利有弊。整体来看,随机森林耕深预测模型效果最好。最后,为了提高耕深模型的预测准确度及效果,从6个模型中选择预测效果最好的随机森林耕深预测模型进行改进。为避免数据噪音存在、模型运行成本高的问题发生,选择用主成分权重外部加权的方式（PCA-FRF）对其初步改进。考虑到随机森林运行速度慢、黑盒子问题存在的这一特性,选择贝叶斯优化融合网格搜索的方法对其参数进行优化。最终构建主成分权重改进的贝叶斯融合网格搜索优化的随机森林耕深预测模型（PCA-BGS-FRF）。改进模型预测的最终结果,拟合优度达92%,匹配度在1左右,预测值与实际值间的最小误差在0.1%以内。不仅避免了过拟合现象的发生、提升了预测准确度。也可以判断异常情况、提供可调节的系统指标,解决耕深不稳定问题。综上,本文所提的PCA-BGS-FRF模型可以提升耕深预测的准确性,有效预测耕深扩展了统计学方法、机器学习算法的运用领域。因此,本文所提的该模型可为洒水机、播种机等传感器堆积的数据预测处理上提供参考。