植物电信号被认为是植物生理过程及体内传递信息的重要植物生理信号,它是植物细胞或组织的静息电位在外界环境因子刺激下,发生变化并能在细胞、组织间传递的一种微弱信号,植物电信号与植物的运动、生长、代谢等有密切的关系,通过植物电信号的特征变化进而反应植物自身的生长状况。采用植物电信号作为植物生长状态诊断机制的一种有效指标,该指标能从宏观和微观两个方面反映出植物生长状态,具有反应灵敏,特征明显等特点。本文以芦荟为研究对象,分三组培养,采用控制变量法设计可控实验,控制环境变量为温度因子。采用可控环境植物生长柜,建立可控环境因素控制模型,提供更加精确详细的光照、温湿度、CO2等环境因素的植物培养环境。在其可控环境下,采用BL-420N生物机能实验装置采集不同温度等级下芦荟叶片韧皮部的芦荟电信号,从宏观上看,芦荟电信号随温度的不断上升,幅值大小变化呈现三个阶段分别为激增、饱和、下降,但幅值均在μV级别,其频率主要集中在5Hz以下;根据该芦荟电信号的时频域分布情况,选择改进小波阈值对原始信号进行降噪处理,再利用经验模态分解为0-5Hz多个本征模函数,多个本征模态函数形成一个二维时频矩阵信号,将二维时频矩阵信号输入到卷积神经网络中训练,得到不同温度等级下植物电信号与植物生长状态的一般规律,并解决模型训练中还存在一些欠拟合与过拟合的问题。最后,为进一步提高模型准确率,本文对卷积神经网络模型进行优化,考虑到时序信号的时间和空间特性,在CNN后面增加了双层双向LSTM。实验表明,基于深度学习的CNN-双层双向LSTM混合神经网络模型的分类效果进一步提升,提高了对植物电信号的时空特征的提取、模型训练的效率、计算能力和模型精度,其优化后的模型分类准确率保持在98%左右,损失函数趋近于0,模型得分值趋近1。得到不同温度等级下的芦荟电信号与生长状态之间的耦合规律,能够根据芦荟电信号判断出所处温度环境下的芦荟生长状态。本文对比传统农业专家的植物生长状态诊断方法有突破性进展,其研究成果能通过植物电信号模型来诊断不同温度等级下的植物生长状态,进一步完善了深度学习在植物电信号领域的实际应用,为“电测量方法”提供理论指导,为人和植物交互提供有效手段,使植物成为“会说话的植物”,为人类更好地认识植物并控制其生长环境创造有利条件,对后期探究多种环境因子与植物电信号的关系奠定基础。