农作物主要害虫常年对作物造成严重危害,使农业经济遭受严重损失。根据害虫的发生、发展规律,以及作物的物候和气象预报等资料,进行全面分析,做出其未来的发生期、发生量和危害程度等估计,预测害虫的未来发展动态,这项工作就叫做农作物虫情预测。虫情预测工作是进行害虫综合防治的必要前提,只有对害虫发生危害的预测做得及时准确,才可以正确地拟定综合防治计划,及时采取必要的措施,经济有效地压低害虫的发生数量,保证农作物的高产和稳产。因此,研究农作物虫情预测技术具有很重要的现实意义。虫情预测问题的研究起步比较早。传统的预测方法主要有：观察法、统计法和数学生态模型法。传统方法具有一定的局限性,如人为因素比较明显,实际拟合率低、预测效果不稳定和模型建立比较困难等问题。近年来的新型预测方法主要有BP神经网络、专家系统和模糊神经网络等。虽然新兴预测方法有各自的优点,但都有缺陷。如BP神经网络存在训练速度慢、预测精度不高、容易陷入局部最小值；专家系统知识获取比较困难；模糊神经网络人工干预比较多,不容易实现自适应学习的功能。随着农业技术的快速发展,现有的方法已不能满足虫情预测系统的要求,因此需要对农作物虫情预测技术进行更深入的研究。概率神经网络是一种性能良好的分类神经网络,具有全局优化的特点。它能够进行快速运算,并能保证收敛到贝叶斯分类器,允许增加或减少训练数据而无需重新进行训练。针对农作物虫情的非线性、实时性和不确定性,以及概率神经网络在解决非线性复杂问题方面具有的独特优势,将概率神经网络应用于农作物虫情预测。概率神经网络所有维的测量空间具有相同的平滑参数值,不能真实反映输入变量对分类效果的实际作用,容易导致分类结果不准确和计算效率低下。而自适应概率神经网络是对传统概率神经网络的重要改进,它通过重复迭代的方法优化确定不同的测量空间维数选用不同的平滑参数,因而它牺牲了传统概率神经网络不需学习的特点,但却换来了较高的分类精度。因此,本文将自适应概率神经网络用于农作物虫情预测。本文主要工作如下：对农作物虫情数据的变化规律进行分析,得出农作物虫情具有非线性、复杂性和不确定性。建立农作物虫情预测的概率神经网络模型,对实例进行预测。结果表明,基于概率神经网络的农作物虫情预测是现实的,但预测精度不高。为了进一步提高虫情预测的准确率,提出了基于自适应概率神经网络的农作物虫情预测方法。建立农作物虫情预测的自适应概率神经网络模型,与BP神经网络模型、概率神经网络模型的预测结果进行比较。结果表明,基于自适应概率神经网络的农作物虫情预测是可行的,并且预测精度较高。