设施农业已经成为农业现代化的一个重要标志，现代温室是设施农业最基本的技术实现形式之一，它能够在多变的自然条件下为作物生长创造一个适宜的环境，从而缩短作物的周期，同时实现作物的高产出、高品质、高效率等目标。为了实现最大的经济效益，最少的能源消耗和生产投入，必须对温室的小气候环境进行控制，改变温室内部的温度、湿度、光照强度、CO2浓度等气候环境因子来获得作物生长的最佳条件。建立面向控制需求的温室环境小气候模型，是实现温室生产过程最优控制的前提和基础，同时已经成为当今温室环境控制研究的热点，而温度又是影响作物生长最重要的因素之一。目前的温室温度模型，一方面是基于机理模型，这种模型结构复杂，参变量较多，而且很多参数一般难以确定，仅凭经验取得，精度相对较低；另一方面是辨识模型，这类辨识模型的精度直接依赖于参量的选择和模型的结构，由于没有基于对温室物理模型的分析进行参量选取，造成其模型存在预测结果误差较大、输入维度增大等问题。本文结合上述两种模型的特点，通过对温室温度物理模型的分析，实现了温室温度的主要影响因子筛选，继而构建了基于BP神经网络的多因子温室温度的预测模型。主要内容有：（1）提出了温室温度建模总体方案，该方案确定了温室温度影响因子的筛选依据和方法，设计和搭建了温室内分布式温度监测系统和温室外WSN监测系统用于试验数据采集，提出了数据的处理方法和BP神经网络建立温室温度的建模思想，最后设定了模型的验证方案和性能分析方法。（2）研发了温室内分布式温度监测系统，包括网关模块，RS485总线通信模块，STC12C5A60S2单片机温度采集节点和1-WIRE总线温度采集模块，可以实现温室空间内64个点的温度采集；同时搭建温室外WSN监测系统，用以采集室外温度和太阳光照强度，通过这两个监测系统的整合搭建，可以实现影响因子中温室内外温度和光照强度的采集。上述两种系统可以通过GPRS模块将数据发送到上层Web服务器。（3）使用环境监测平台收集环境因子数据，并通过相关文献中公式的对比和分析确定了晴空指数和太阳高度角的经验取值和计算方法，以3δ法则对温室外温度、温室内温度、温室外太阳光照强度、太阳高度角和晴空指数这5类影响因子数据样本进行了粗大误差处理，最后使用线性转换法对样本数据进行了归一化处理。（4）设计了结构为5：8：1的BP网络，使用MATLAB构建了BP神经网络算法，并用已采集的5类影响因子数据中占样本集数据75%的训练集数据训练网络，网络的收敛速度非常快，模型设计符合要求；用占样本集数据25%的测试集数据进行模拟，发现BP网络的模拟效果很好，说明模型的构建过程可靠性较高。本文建立的BP网络温度模型验证结果表明，晴天模拟的均方根误差是0.42℃，最大误差1.86℃；多云天模拟的均方根误差是0.43℃，最大误差2.68℃；阴雨天模拟的均方根误差是0.29℃，最大误差1.53℃。可见模型对温室温度的模拟效果较满意，符合实际要求，这为实现温室温度控制系统的实现提供了理论支持和有效的解决方案。