随着我国养鸡业在重要疾病控制和饲养技术方面的日渐成熟,因舍内环境质量所致亚临床问题的危害和重要性则日趋明显,所以如何通过控制环境而减少疾病、病原污染和提高疫苗免疫效果等方面提到了疾病防制的日程,在中、小型养殖场和农户型的这些情况就更为突出,但是目前环境控制对畜禽生产的影响一直没有得到应有的重视。如何评价环境质量及其污染程度有多种方法,其中多环境中大肠杆菌数量作为标准,可以从病原污染和消毒效果两个角度评价家禽生存环境。良好的环境质量是鸡群健康的前提,是提高生产性能的重要措施,是提高产品质量的保证。本研究通过检测中小型养殖场及农户鸡舍环境中细菌总数、大肠杆菌数和小气候部分因素,应用SPSS软件分析环境因素的影响并建立神经网络模型评价同期鸡群发病率、死亡率及亚临床状态。首先采用SPSS软件,对鸡发病率、死亡率做环境因素的影响和相关性分析,选择相关性显著的影响因素,作为神网络学习参数,然后进一步建立神经网络模型,通过重要影响因素进行学习,本研究选择BP(Back-propagation)神经网络建立针对鸡发病率、生产性能等指标的非线性评估模型,以平均相对误差(Relative error)和平均绝对误差(Absolute error)两项作为评价模型拟合度好坏的指标,评估现场数据同计算结果两者模型拟合程度。经多次调试,最终本研究采用共轭梯度算法中的Fletcher-Reeves算法初步构建模型。共采集20鸡舍环境样本,16鸡舍用于模型学习训练和自身检测,另4鸡舍样品用于进行模型泛化能力检测,误差均小于10%。该模型在中小型养殖场及农户使用,可以揭示鸡舍环境和鸡群健康状态的相关性。学习拟合后的神经网络模型,可以将其他养殖场获得环境菌数据带入模型,得到死亡率、发病率及其生产性能相关的参考数据,对实际生产减少亚健康状态及其评价有指示性作用。鸡群的亚健康(亚临床)状态常常被忽视,也恰恰是目前家禽养殖生产效率难以进一步提升的瓶颈。国内中针对养殖场中传染病疫情分析中,神经网络技术还少有应用,本课题将神经网络技术应用到兽医流行病学领域,应用Matlab语言编程实现了神经网络的计算及学习过程,能够解决大样本数量条件下的可靠性评价问题,与传统传染病动力学模型相比,具有操作简便、误差率低等特点。