在农作物生长环境中,为保证农作物温度适宜,通常采用温室密闭环境,使农作物达到最佳生长条件,此时进行温度调控,可以有效提高作物产出率。在建立系统模型时,被控对象具有不同程度的滞后现象,采用控制器由于算法简单、可靠性较高等优点,被广泛应用控制中,在LI-RBF(Learning and Improvement PBF)辨识器与农业系统响应并接成补偿环节,使系统消除滞后项,进一步跟踪辨识系统,提高控制质量。LI-RBF-PID控制器中,拥有 RBF神经网络结构简单、学习速率快等优点,并优化控制参数,可以相互配合又相互制约的比例、积分和微分作用实现农业温度控制,达到良好的性能。　　论文的主要工作如下:　　(1)提出了农业温度控制系统控制结构所需的模型,通过模型识别中特征提取的重要环节,对样本的获取,并通过神经网络预测模型结构进行训练,起到一定的辨识作用。然后,在此基础上,优化数学模型,建立了农业温度控制预测模型,从理论上说明农业温度控制系统具有一阶惯性的特性,为下文分析和控制系统的设计提供了有力的基础。　　(2)描述了神经网络在系统模型与辨识中的应用,利用动态网络的系统辨识,讨论动态时间建模问题。介绍神经网络辨识器,进行仿真分析。通过改进与学习径向基神经网络,并在农业温室系统中仿真辨识,得出结论其参数调节简单,且不存在局部极小问题,可以最佳逼近的能力。　　(3)建立了非线性被控对象的辨识模型,并可在线修正。阐述了单神经元网络的PID智能控制,建立输入输出关系,掌握了学习算法,并在此基础上,改进算法本身,进行仿真训练。在RBF-PID控制器基础上利用LI-RBF神经网络辨识器的自适应能力,调整控制器控制参数,构成一个具有自适应能力的控制器。通过农业温度控制系统,使系统在收敛速度、控制准确等方面有了较大的改善,其可以更好的应用在农业控制环境中,有一定的使用价值。