有效预测土壤水分含量,是提高水资源利用率的一条有效途径。选择气温、湿度、光照、降雨量等气象因素来预测土壤水分的含量,可以不用埋设土壤水分传感器,使工作量和成本都大大降低。但是所采集的数据数量巨大,要从这些大量的甚至是不完全的数据中提取出信息与知识是非常困难的。为解决此问题,本文提出粗糙集与神经网络相结合的方法来预测土壤的水分含量。BP神经网络可以逼近任意非线性函数,算法简单且效率高,可用于复杂系统动态建模。粗糙集理论具有较强的数据分析能力,能对数据中的冗余信息进行约简并剔除不必要的的属性,可以简化神经网络的结构,减少网络的训练时间。两者相结合明显改善了预测的整体效能。本文的主要工作如下:1)介绍粗糙集理论的基本情况,包括产生背景、特点、研究现状及应用前景。2)对属性约简问题进行研究,提出一种基于二进制区分矩阵的属性约简算法,利用二进制区分矩阵将逻辑运算转换成矩阵运算,简化了计算,提高了效率。并在文中证明了算法的可行性。3)基于粗糙集建立土壤水分预测模型,利用提出的新算法对采集的数据进行约简。事实证明,粗糙集剔除了模型中不必要的属性,降低了整个模型的复杂性,明显改善了预测的整体效能。4)结合粗糙集理论和神经网络的各自特点,建立了一种基于粗糙集-神经网络的土壤水分预测模型。结果证明,本研究提出的预测方法是可行的。