目前,世界上大约90%的水产品来自亚洲,中国的水产品总量占亚洲水产品总量的80%左右。我国是世界上的水产养殖大国,是全球水产养殖业的主体。我国现有的水产养殖模式中传统养殖方式仍然占主导地位,占地面积大,单纯依靠人工经验进行养殖。这必然会造成人力资源和土地资源的浪费,且不能精确地控制养殖水体的水质参数。完全依靠人工经验判断养殖容易造成水产品的产量和质量下降。利用现代化技术使水产养殖业达到节地、节水、高产、可控等特点,是促进我国水产养殖业发展的必然趋势。本文针对精准养殖管理系统进行了研究,提出了机器学习的新思路。本文在无线通讯技术、传感器技术、计算机技术、数据库技术、水产品养殖经验技术、产品追溯技术、远程视频技术、建模数据挖掘技术和数据加密技术等技术背景下,进行多学科交叉研究。主要研究内容与结论如下:(1)首先介绍了水产品精准养殖技术的国内外研究现状以及阐述了水产品精准养殖管理系统的研究背景。分析了精准养殖和机器学习结合的可行性,并以此为依据提出了本研究的研究目的和主要内容。(2)根据循环水精准养殖的特点,提出了一种基于多平台的水产养殖精准管理系统整体设计方案,系统包括信息采集模块、养殖生产模块、养殖管理模块、水质预测模块、用户溯源模块五大部分,系统实现了对水产品精准养殖管理操作,同时实现了对养殖水质的预测和评价。(3)通过对养殖水质的实际需求分析,根据水质传感器的技术指标,对水产养殖精准管理系统进行了硬件设计。针对水质传感器精度以及传输过程中丢包率的问题,进行了软件补偿。(4)为了实现准确检测水质参数,挖掘水质参数之间的耦合关系从而对水质做出预报和评价,构建了基于PSO-BPNN的水产养殖水温及pH预测模型和基于改进粒子群优化的极限学习机养殖氨氮预测模型,分析了模型的预测性能。通过实验表明,两种水质预测模型对非线性时间序列上的养殖水质预测是可行的,相比于传统的BP神经网络和支持向量回归预测,具有更好的精度。(5)根据水产精准养殖管理系统基本要求,开发了水产养殖精准管理系统应用软件,软件分为Android客户端和服务器端两部分,实现了各子模块的基本功能,并将上述水质预测模型算法引入系统,实现了对水质预测和评价的功能,具有一定的实用价值。本文的主要创新点有三:一是针对集约化水产养殖的趋势下的水产养殖水质预测的实际需求,提出机器学习的思路来解决水质参数之间的非线性耦合关系;二是在水质预测模型算法实现方面,提出了一种基于粒子群算法优化的BP神经网络的水质预测模型;三是在水产养殖精准化软件方面,将水产品养殖与食品安全可追溯相结合,设计出水产养殖精准管理系统,系统对水产品养殖管理有一定的现实意义。