随着社会的发展和科技的创新,传统的农业耕作方式正在向现代化农业转变。针对目前农业生产效率低、农业用水浪费严重现象,本论文设计开发了一款基于LSTM（长短期记忆神经网络）需水量预测模型的智能灌溉系统。系统以树莓派为下位机控制器,阿里云服务器为上位机,实现了数据采集、数据监测、需水量预测及智能控制灌溉等功能。论文主要研究结果如下:（1）构建了环境信息采集模块。根据需要采集信息的类型,选取工业级传感器,通过485总线Modbus协议建立传感器与树莓派之间的通信,信息采集代码由Python语言编写。树莓派获取到气象数据后,由自身的网络通信模块通过HTTP协议将气象数据上传到数据库与云端物联网平台。（2）以枣树为试验对象构建了LSTM神经网络需水量预测模型,首先以2014～2019年新疆阿拉尔站点的逐日气象数据包括平均气温、风速、空气相对湿度、太阳辐射、日照时数和气压与枣树需水量为试验数据,进行灰色关联分析,计算各气象因素与需水量之间的关联度大小,然后选取对作物需水量影响较大的平均气温、风速、空气相对湿度、太阳辐射与日照时数5个主要环境因素作为LSTM神经网络预测模型的特征输入向量,需水量为模型的特征输出向量,对枣树需水量进行预测研究。模型在Py Charm环境下使用Python语言构建,将LSTM预测模型准确性与RNN模型进行对比分析,结果表明LSTM模型的实际值与预测值的拟合系数为0.9872高于RNN模型的0.8438且残差波动较小。说明模型准确性较高可以满足系统要求。模型训练好后编写了一个应用脚本,将其代码文件移植到树莓派中对训练好的模型进行直接调用。（3）开发了系统物联网端的web应用平台与移动操作平台。系统web界面与移动端界面主要包括作物生长环境实时监测功能与远程灌溉开关的控制功能。并构建了系统相应的数据库用来储存监测的气象数据与灌溉数据。并为智能灌溉系统设计了报警功能,当系统因为网络问题下线,或者土壤湿度过低时,云端会通过钉钉智能机器人发送消息提示。（4）制定了系统灌溉决策规则。首先LSTM预测模型根据传感器采集的日平均气象数据预测作物当日需水量,并将预测量进行累加,当模型预测量累加到田间最佳储水量的下限时,开始灌溉,当灌溉到田间最佳储水量上限时,电磁阀关闭,等待下一次灌溉任务开始。（5）系统各模块软硬件构建完成后,对系统进行功能测试与灌溉测试,结果表明各模块均能按照预定要求进行工作。在灌溉测试中系统能够根据预定灌溉规则进行工作,且运行稳定,智能化程度较高。