微藻可以通过高效的光合作用以及自身代谢将二氧化碳转化成碳水化合物并储存在胞内,从而作为原料用于生物质乙醇生产等。但是使用传统方法在进行微藻胞内碳水化合物含量测定时,会有检测步骤繁琐以及产生二次化学污染风险等局限性,且难以实时确定微藻胞内的碳水化合物含量。近些年,随着深度学习在人工智能中的蓬勃发展,为高效处理复杂信息的智能检测技术提供了新的契机。一方面,微藻胞内碳水化合物的积累与光合作用密切相关,另一方面,光合作用的效率可由叶绿素荧光参数快速评估,以叶绿素荧光参数为纽带,采用深度学习方法构建实时、无侵入、不产生二次化学污染的机器学习检测模型,对领域内检测方法的革新具有重要意义。本文首先进行了实际的实验测定工作,即在温度梯度的条件下对微藻的多种生理指标及培养环境变化进行检测,主要包括微藻的生物量、氮磷营养盐的消耗、固碳率、叶绿素荧光参数、光合色素含量、蛋白质含量、油脂以及碳水化合物含量等指标。通过温度优化确定该株小球藻的最佳生长温度在30℃左右,其生物量最高可以达到1211 mg/L,在实验的第6天获得最大碳水化合物含量,即75.16%。随着实验的进行,在氮源耗尽前叶绿素荧光参数整体变好,例如光量子产率的增加,电子传递速率的加快等;而随着营养盐的耗尽,质子醌传递电子受到抑制,光量子产率降低,叶绿素荧光参数整体变差。与此同时,微藻的胞内碳水化合物含量亦呈现先上升,后略有下降的趋势。低温胁迫使得微藻的生长速度和代谢活性受到抑制,但是碳水化合物的含量及组分均没有太大变化,一定范围内的温度差异对微藻碳水化合物积累的影响小于营养盐缺乏的影响。在后续的机器学习模型建立过程中,不仅对前文部分的实验数据进行了整理,而且从现有的研究文献中收集数据组建数据集。在对数据进行插补、归一化等预处理后,先后建立了多元线性回归、人工神经网络、Xg Boost、随机森林回归、支持向量机回归等5个机器学习模型来预测小球藻的碳水化合物含量,并使用均方根误差和决定系数R~2来评价这些模型的拟合效果。其中支持向量机的构建选用了高斯径向核作为核函数,对于小样本处理具有明显的优势,并且不容易受到强影响点的影响。因此,支持向量机回归模型的均方根误差为0.0745,决定系数R~2为0.9254,达到了最好的预测拟合效果。此外,5个模型之中,多元线性回归模型具有较好的控制变量解释性;而人工神经网络模型可解释性不强,但为未来更丰富的信息输入与存储奠定了共享基础。随机森林回归模型因其正则化项显著降低了模型的复杂度,进而有效防止了过拟合情况。本课题最终建立了以叶绿素荧光参数为媒介的小球藻胞内碳水化合物含量预测的机器学习模型。由于机器学习模型的输入参数具有快速即时、无侵入等特点,因此这些机器学习模型在评价微藻生长状态、确定微藻的碳水化合物产量、决定微藻的收获时间等方面具有重要意义。