由于溶解氧浓度的变化受多种因素影响,具有非线性,模糊不确定等特点,因此溶解氧浓度的精准预测是渔业养殖中的一个难题。本文以渔业养殖中养殖水质关键参数溶解氧数值为研究对象,采用智能计算和深度学习技术,构建了基于智能计算的溶解氧预测模型,具体研究如下:（1）基于ECA-Adam-RBFNN的溶解氧预测模型研究。该模型提出了一种新颖的增强聚类方法,该聚类算法利用K-means算法以及蚁群算法确定RBF神经网络隐含层中心的位置及其数量,解决了神经网络隐含层中心位置随机选择,以及中心点个数过多容易造成神经网络过拟合、而过少则易造成预测结果突变的问题。当隐含层中心确定后,该模型利用聚类中心间的最大距离和中心点个数运算得到径向基函数的扩展常数,从而避免了径向基函数宽度出现太尖或太平的极端情况;采用递归最小二乘算法求得隐含层到输出层的连接权值;利用Adam算法对目标函数进行微分迭代,对中心值、权值和宽度进行调整,自适应改变三个参数的学习率。实验结果表明,在相同条件下,与长短期记忆网络,反向传播神经网络,RBF神经网络,支持向量回归机,差分整合移动平均自回归模型相比,改进算法模型的平均绝对误差,平均绝对百分比误差和均方根误差均显著降低。（2）AI-Hyd Su:基于粒子群优化算法融合支持向量回归机的溶解氧预测模型研究。该模型利用粒子群优化算法在解空间中搜索方面的优势,选择支持向量回归模型中惩罚因子、核函数参数和误差参数的最佳参数;其次,该预测模型用非线性自适应的学习因子优化标准粒子群优化算法中的学习因子（C1,C2）,从而有效地避免算法陷入局部最优,加快了算法的寻优速度。最后,通过不断更新学习因子来更新粒子的速度与位置,得到最优的SVR组合参数。该模型不仅对支持向量回归中的惩罚因子、核函数参数和误差参数进行寻优,而且能很好地平衡算法全局搜索与局部搜索能力。实验证明所提出的模型在溶解氧浓度预测中具有较快的收敛速度,同时具有较高的精准度。（3）渔业水环境实时监测平台的设计与实现。提出了一种基于6Lo WPAN的渔业水环境实时监测系统,采用6Lo WPAN架构实现互联网与无线传感器网络之间的点到点通信,无需特定的网关进行协议转换或者协议承载。将无线传感器和互联网相融合,取代传统的控制方式。将网络的触角伸展到渔业水环境监测中,利用互联网对数据高效整合与过滤优势,监测中心软件对接收的数据进行分析、处理、存储,图形化显示与报警,实现水质环境参数实时在线监测。