近年来,随着科学技术的发展,农业进入了4.0时代,国家也出台了一系列文件来促进农业向智能化、精准化方向快速前进。但农业数据采集成本高、决策模型不足、智能化程度低等原因,造成了农业生产过程中土地产出率、资源利用率和劳动生产率较低等问题。本研究针对玉米精准施肥决策中土壤采样成本高、土壤氮磷钾含量获取难、模型长期预测精度降低的问题和玉米施药决策中没有玉米病害发生程度识别模型的问题,构建了基于改进BP神经网络的土壤氮磷钾含量预测模型、少量采样与全面模型预测相结合的组合预测方案和基于改进深度学习模型的玉米病害发生程度识别模型。根据土壤氮磷钾含量和玉米病害发生程度分别建立了玉米精准施肥施药决策模型,并建立了智能决策系统。经测试,改进模型的预测精度较高,可为变量施肥和施药提供决策依据。具体的研究工作如下:1.为了给本文模型研究和改进提供大量的测试数据,采用不同手段获取了土壤氮磷钾和玉米病害数据。在土壤氮磷钾数据获取方面,利用开发的土壤采样网格自动划分程序将GPS获取的吉林省榆树市弓棚镇十三号村的玉米地块边界进行网格划分和采样点确定,依据采样点进行了土壤采样和化验,得到了5年的土壤养分数据;在玉米病害数据获取方面,在Plant Village网站获取公开的玉米病害数据3534张,利用手机在吉林农业大学玉米实验田拍摄玉米病害图像276张。根据国家玉米病害分级标准,将获得的玉米病害图像划分成健康、一般和严重三个等级,并进行了数据扩充。2.针对土壤氮磷钾含量采样成本高和快速获取难的问题,提出了融合BP神经网络、灰狼算法和反向学习机制的土壤养分含量预测模型。用连续5年的土壤速效氮磷钾数据中前4年数据进行模型建立,第5年的数据进行模型检验。经测试:本文模型对第5年的土壤速效氮预测精度达到88.8%,相较于BP神经网络模型提高了7.71%;土壤速效磷预测精度达到88.28%,提高了28.83%;土壤速效钾预测精度达到91.21%,提高了6.79%。通过测试可知,本文模型对土壤氮磷钾的预测精度均较原模型有较大提升,实现了不采样检测就可获取土壤氮磷钾含量。3.在土壤氮磷钾含量获取上,采用模型长期预测精度会降低,按土壤采样网格检测会导致工作量巨大和成本增加。因此,本文基于时空结合的想法,提出了少量采样与模型全面预测相结合的土壤养分检测方案。通过对少数采样点进行采样检测获取土壤氮磷钾的实测数据,利用采样点的实测数据与预测数据的差值计算其空间上对未采样点的影响值,再计算未采样点的预测数据与空间影响值的和,就得到校验后的预测值。通过对土壤养分值（实测值、差值）、采样点选取（平均、网格优化）、距离权重的幂次（1、2、3）和已知点的数量（4、6、8、10、12）进行组合,得到60种不同组合方案。经测试,得到最优组合为:差值、网格优化、距离的幂次为1、已知点个数为8,此时,土壤速效氮的预测精度为91.19%,速效磷为90.27%,速效钾为93.10%,均比改进BP神经网络模型的预测精度有了进一步提高。4.针对没有玉米病害发生程度识别模型的问题,提出了改进深度学习的玉米病害发生程度识别模型。首先,分别对训练集和验证集比例为2:1、3:1、4:1和5:1进行测试,确定了最佳比例为3:1。其次,对模型的参数进行测试,得到了Adam算法优化、Re LU激励函数、线性方式衰减、最大学习率为0.0001和正则项参数为0.01的最优参数组合。通过分析比较确定了Res Ne Xt模型为基础模型,针对第一层卷积核不能很好的提取较小玉米病斑特征的问题,提出了利用3个3*3的卷积核代替原来的1个7*7卷积核的方法,并将组数C从32提高到64。通过测试,对于不同玉米病害的识别,该算法在开源数据集上的识别准确率为98.69%,在真实环境下的识别准确率为97.46%,高于参考文献和原模型。对于玉米病害发生程度的识别精度为89.31%,相较其他经典的深度学习模型和原模型识别精度最高。经实测数据验证,识别准确率为90.22%,可为施药机实时作业的决策提供依据。5.针对玉米种植的智能化程度不高的问题,利用GIS、物联网、深度学习和编程技术,实现了玉米精准施肥施药智能决策系统。系统包括空间信息的基本操作、土壤养分查询与施肥决策、基于土壤墒情的玉米病虫草害诊治、玉米病害识别与施药决策和处方图制作等功能。通过变量施肥,在吉林省榆树市弓棚镇十三号村的平均施肥量为631kg/hm~2,比传统施肥减少了68kg/hm~2,平均产量为8313kg/hm~2,增产813kg/hm~2,达到了减投增收的目的。变量施药方面,目前实现了施药量的计算,尚未进行示范应用。