集约化水禽养殖快速发展及落后的环境管理技术是诱导养殖环境恶化甚至导致水禽大规模死亡的重要因素,而养殖环境的精准预测是水禽养殖信息化的重要一环,也是提高养殖环境管理能力的重要手段。本文以温度、氨气、湿度和二氧化碳等关键参数为研究对象,采用数据挖掘、信号分析处理、群智能优化算法、机器学习及深度学习等技术,研究了基于机器学习的水禽养殖环境参数预测模型,具体如下:（1）环境数据预处理及特征选择研究。由传感器收集而来的环境数据由于各种不确定性因素经常存在数据缺失和噪声问题。为此,研究了针对水禽环境数据的数据修复和降噪方法,通过对比,为不同的环境数据降噪选择了合适的小波函数,获取高质量数据。同时,利用互信息法从数据分析的角度初步探明了影响氨气浓度的关键参数,并通过数据实验分析验证了结论的可靠性。（2）基于组合模型的水禽禽舍温度预测方法研究。针对温度数据的复杂特征,采用自适应的完全经验模态分别提取温度数据的本质特征,并结合Lempel-Ziv复杂度算法解决特征分解过度的问题。基于“反向空间”的思想,改进了粒子群优化算法,实现了门循环单元模型最佳参数自动获取,构建了组合预测框架。与基线模型相比,其MAPE、RMSE和R2分别提高了70.25%、48.82%和1.66%。（3）基于深度学习的水禽氨气浓度区间预测。针对传统点预测无法捕抓氨气时间序列的不确定性,无法解释误差及预测正确性的概率,提出了VMD-Deep AR-SSA预测模型。除了使用基于VMD提取的信号特征外,该模型还将与氨气变化相关的环境因子以及自定义的时间频率特征作为模型的输入,同时采用由SSA搜索的最优权重组合来加权Deep AR的预测结果,大大提升的预测区间的覆盖率和归一化覆盖宽度,比传统的区间预测模型更适合预测氨气变化区间。（4）基于时间卷积神经网络的水禽环境污染指数预测研究。为了进一步掌握水禽整体养殖环境状况,提升养殖管理能力,基于现有的污染指数计算方法,利用时间卷积神经网络对禽舍未来12小时、24小时和48小时的污染指数进行预测。由于文中使用的模型具有长期时间序列的预测能力,与其他模型相比更能胜任长期水禽环境污染指数预测。（5）水禽环境在线预测模块的设计与实现。基于上述的研究基础,为了进一步提升现有水禽物联网养殖环境监控平台的环境服务能力,通过代码编写、服务部署、网络通信和数据渲染等方式设计和实现了水禽环境在线预测模块,并嵌入到现有的物联网平台。