中药材种植业处于中医药产业链的源头,直接影响药材品质,关乎中医疗效和中医药的继承与发展,论文针对中药材种植过程核心问题开展模型研究,为中药材引种栽培提供辅助决策,实现高效化管理,促进中药材种植科学化和现代化。论文基于中药材生态适宜性发现其潜在适生区,在中药材种植的田间管理环节中开展其叶部病害识别,结合中药材相关时间序列数据进行产量预测,构建中药材种植过程系统服务平台原型。论文工作内容如下:1.针对中药材潜在适生区亟待发现的问题,提出基于深度支持向量数据描述的中药材适生区预测模型。由于生态环境因子的数据格式不统一,使用t-SNE算法统一转换与融合,使用深度支持向量数据描述模型将融合后的数据以非线性方式映射到高维特征空间,在特征空间寻找体积最小的超球体(最优超球体),落在最优超球体内的地区样本点,则认为该地区适宜此中药材的生长;反之,则不适宜此中药材的生长。针对中药材丹参数据的实验结果表明,AUC(Area Under Curve)值为99.65%。2.针对人工判别药用植物叶部病害种类存在成本大、识别错误率高等问题,提出基于深度可分离卷积神经网络的中药材叶部病害识别方法。首先,基于PlantVillage数据集预先训练Inception、ResNet等模型;其次,将得到的网络结构迁移至叶部病害数据集后再进行微调;最后,融入深度可分离卷积操作和随机池化层减少参数量,并防止过拟合,实现叶部病害识别。实验结果表明,模型识别准确率达97.03%。3.针对生态环境数据训练中药材种植产量预测模型产生计算复杂度高且精度较低的问题,提出基于注意力机制的卷积神经网络-长短期记忆网络的中药材产量预测方法。以卷积神经网络和长短期记忆网络为基础,引入注意力机制实现自动权重大小分配以解决信息冗余问题。实验结果表明,在玉米和土豆产量数据集的均方根误差值分别是30.26和10.34,皮尔逊相关系数分别为83.26%和80.73%。4.设计并实现中药材种植过程服务平台,通过采用浏览器/服务器(B/S)架构,并选择Java开源轻量级框架Spring Boot进行平台开发。本平台包括用户管理、数据管理和种植管理功能,从适生区分布预测、叶部病害识别和产量预测三个方面为中药种植过程提供辅助决策。