随着我国设施农业的大力发展,建成面积已处于世界前列,其中连栋温室占比逐年增加,但温室配套监测决策系统却与发达国家存在较大差距,温室生产过程中产生大量监测数据无法高效利用,决策系统过于依赖经验且不够直观,造成人机沟通成本过高,智能化及自动化程度受限。此时情景感知技术的发展及普及为温室环境智能决策提供了新的解决方案,因此本文提出基于温室环境的情景感知系统用于温室生产智能决策当中,可自动感知温室作物环境变化并实时给出决策信息及调控建议。现有情景感知框架和系统开发主要集中在军事或智能办公等领域,使用环境与温室生产具有很大差异,因此在阅读大量情景感知系统相关文献后,通过对各感知系统应用现状和优缺点的分析,将现有情景感知框架及中间件(感知框架决策模块)进行改进和创新,剔除语义分析等冗余模块,增加温室决策信息库等实际生产需求模块,感知系统框架继承分层设计理念,可应对不同调控需求进行灵活转换,增加系统泛化能力。论文将深度学习模型用作中间件的解释器,负责对多源异构的感知信息进行数据融合,有效弥补传统融合模型精度较低且融合数据种类单一等不足之处,分别训练了基于深度分类网络的温室环境数据融合模型和基于深度回归网络的温室作物净光合速率预测模型。经性能验证,深度分类网络环境融合模型对温室作物环境状态感知精度达到98.00%,深度回归预测模型输出温室作物净光合速率预测值与真值相关性高达0.991,进一步结合其他评价指标均能表明将深度学习模型与情景感知系统相结合是可行有效的,最后利用Python内置的图形界面工具包开发了温室情景感知系统客户端,将环境感知功能和光合预测功能进行集中显示及管理,显示内容包括温室区域感知结果、温室整体感知结果及温室调控决策信息。客户端功能包括感知数据存储功能,感知系统个性化设置功能和数据预测功能,同时包含登陆界面及注册界面,界面之间能够合理进行跳转,使之形成完整的温室情景感知系统。对系统各功能测试后表明,各模块功能完整,构建的情景感知框架和中间件能够实时感知温室环境状态,符合预期要求,表明本文所做工作是可行有效的。