人工智能技术是21世纪科技发展的核心,对社会进步和经济发展有着不可估量的作用。深度学习作为近年来人工智能领域发展最快的技术,在计算机视觉、语音识别、自然语言处理等领域已经取得了非常好的应用效果。温室大棚智能控制方面的相关技术研究虽然已经有了大约50年历史,很多控制方法被提出,但是由于温室大棚系统是一个多输入、多输出、强耦合的复杂系统,目前智能控制技术的结果都不尽人意。而具有超强学习表达能力的深度学习方法在温室大棚智能控制领域的相关研究才刚刚开始,有望在温室大棚智能控制领域取得突破性进展。本文针对基于深度学习的智慧大棚监控系统进行研究,主要工作如下:首先,对温室大棚的国内外研究现状进行了概括,介绍了普通神经网络和带有循环结构的神经网络(RNN)的模型结构,在温室大棚环境因子预测方面进行了实验和分析,提出了基于深度学习的温室大棚智能控制系统。接着,针对环境因子变化缓慢、数据量大,被控设备的开关状态离散的问题,提出基于改进LSTM结构来构建环境因子和被控设备开关状态的预测模型,该模型的训练结果作为温室大棚控制系统的决策;针对模型预测中出现的梯度消失、梯度爆炸、过拟合等问题,提出使用Relu激活函数以及加入正则化方法等策略,实验表明优化后的预测模型具有比之前更好的收敛效果。最后,通过把训练结果移植到树莓派上,树莓派通过LAN与控制箱连接,互相传递信息,实现了温室大棚环境的控制。基于深度学习智慧大棚监控系统的研究,有利于解决温室大棚中控制难、精度低的问题,使温室大棚环境的调控更加快捷有效。