我国是一个农业大国,农业是国民经济的基础,农业的持续发展关系到国家粮食的安全和国民经济的协调。农业物联网作为物联网技术和农业的结合,推动农业朝着数字化、智慧化发展,其中农业环境数据是农业物联网的基石。在“乡村振兴”战略的推动下,农业物联网将在农村地区进行落地推广,从而促进农村地区农业转型升级和可持续发展。在偏远农村地区,面对天气等环境因素和通信问题,农业物联网设备可能无法稳定、可靠的完成农业环境数据的采集。为解决此问题,分别基于深度学习和北斗短报文技术对农业环境数据采集进行研究,本文的研究内容和研究成果如下:（1）针对农业环境数据采集设备受天气影响无法持续稳定采集的问题,提出了一种基于深度学习的智能采集模式。首先对环境数据采集节点的传感器、控制器和通信模块三个部分建立能耗模型;然后提出了SSAE-Bi LSTM光伏发电功率预测模型,模型以影响光伏发电功率的多种因素作为输入特征,通过SSAE网络自动从输入中提取低维抽象特征,并将抽象特征作为Bi LSTM网络的输入,实现光伏发电功率短期预测;最后基于能耗模型和光伏发电功率预测结果构建数据采集节点的智能采集模式。结果表明,模型的RMSE、MAE值比去没有SSAE特征学习层的降低了1.65、1.70,证明了通过SSAE对特征进行提取可以有效地提高光伏发电功率预测的精度。（2）针对偏远农村等通信盲区无法进行数据传输的问题,提出了一种基于北斗短报文的采集数据通信机制。结合北斗短报文通信的特点,对北斗短报文通信的用户数据部分进行协议设计,解决通信容量不足问题;提出发送端请求确认模型和机制,其中,智能采集模式的输出为请求确认模型的输入之一,使发送端在不同环境中都能可靠传输且最大化传输效率;提出在接收端动态累积确认机制,保证在多对一通信场景下的可靠通信,并通过仿真实验验证了系统机制的可行性。实地试验中,发送端的传输成功率随环境动态变化情况下使数据传输的成功率提升至99%以上。（3）在上述研究的基础上,设计并开发了农业环境数据监测系统,包括农业环境数据Web应用系统和微信小程序系统,具有农业环境数据采集、上报、查询、分析及管理等功能,为偏远地区智慧农业发展提供一种可行方案。