水产养殖业在我国拥有着悠久的发展历史。21世纪,随着高新技术的不断发展,水产养殖业正面临着一次彻底的技术变革,由以经验为主的传统养殖业向以技术为依托的现代养殖方式转变。在行业的转变过程中,传统养殖业存在的问题慢慢的显现出来。由于物联网相关产品体系的不断发展,传统的数据采集、存储及养殖方式渐渐的不适用于行业的发展,养殖数据的采集、融合、存储和分析问题慢慢浮出水面。为了帮助养殖从业人员和科研人员解决海量养殖数据的存储和分析问题,本文构建了基于大数据技术的水产养殖产量预测分析平台,该平台解决了水产养殖数据的采集、存储、预测、分析问题。并利用大数据的Map Reduce编程模型来进行算法的并行化设计,利用平台内的数据,训练了有关水产养殖的多要素预测分析模型,辅助养殖从业人员和科研人员进行科学的养殖环境分析和产量预测的评估,减少养殖过程的不必要损耗,提高水产养殖业的信息化水平。本文中搭建的水产养殖大数据产量预测分析平台采用的是Apache Hadoop大数据框架中的相关组件,并结合Spring Boot、Mybatis等相关开发技术进行平台开发。平台主要包含数据采集层、存储层、分析层及应用层四层平台架构。在数据分析层中,设计了基于Map Reduce的并行化SA-BP算法来处理养殖要素及产量之间的预测分析。该算法首先采用多层前缀反向传播神经网络（BP神经网络）算法来分析水产养殖要素之间的深层次关系,在此基础上,通过训练养殖数据,形成养殖产量影响因素之间的分析模型;为了使模型的训练时间更加快速,结果更加精确,利用改进的模拟退火算法（SA）来优化BP算法,当陷入局部的极小值时,调用有记忆功能的模拟退火算法跳出无意义的迭代过程,退火至一个新的值进行网络训练。针对海量养殖数据的情况下,训练过程还是相对较慢,结果也相对较差,为了提高训练速度和精度,引入了Map Reduce的并行化计算思想,利用其对BP神经网络进行分布式并行化训练,进一步降低了网络收敛的速度,在异常庞大的养殖数据分析中表现优良。通过训练该算法,产生了养殖要素之间的并行化评价模型,并以山东省历年的南美白对虾产量为训练数据建立实体模型并集成到平台结构中。最终实现了水产养殖大数据产量预测分析平台的建设以及平台智能化分析模型的构建,实现了水产养殖的产业化大数据平台构建,对水产养殖业的智能化发展提供了行业导向和技术支撑。