蛋鸡的生产性能一直是蛋鸡养殖者最为关心的问题。产蛋率、采食量及料蛋比更是与养殖经济效益息息相关,蛋鸡生产性能与鸡舍环境因素密不可分。准确预测蛋鸡的生产性能够帮助养殖者提前做好蛋鸡养殖规划,降低鸡舍环境变化对养殖效益的影响,提高养殖效益。本文分析鸡舍环境因素与产蛋率、采食量和料蛋比的关系,对生产性能进行精准预测,为养殖者提供更科学的养殖建议。论文主要研究内容如下:1.针对传统神经网络无法处理产蛋率时序性特点,论文提出一种基于LSTM-Kalman的产蛋率预测模型。选取主要的环境影响参数作为输入变量,蛋鸡的产蛋率作为输出变量,构建LSTM预测模型。针对LSTM模型预测精度易受不确定因素影响的问题,引入Kalman滤波对预测结果进行进一步优化,降低不确定因素对产蛋率的影响。实验结果表明该模型的预测精度可达98.71%,明显高于传统的BP神经网络和极限学习机的预测精度,可以为商品蛋的供应规划提供合理建议。2.针对定量投喂容易忽略环境因素对蛋鸡采食量的影响,进而导致不合理投喂和饲料浪费,考虑到环境变量和采食量之间具有非线性和复杂模糊性关系,它们之间没有数量上的界限,传统的模糊推理系统不能很好的提取符合实际生产环境的模糊规则库。论文提出一种基于自适应模糊神经网络的蛋鸡采食量预测模型,模型的输入变量为温度和湿度,输出变量为采食量。该网络通过隶属函数将输入变量模糊化,训练过程中隶属函数不断适应输入数据,构建更符合输入数据的模糊规则库。实验结果表明该采食量预测模型的预测精度可达97.27%,可以实现精准投喂,减少饲料浪费,进而提高经济效益。3.蛋鸡淘汰是蛋鸡养殖的最后一个环节,科学合理的淘汰策略会极大的提高蛋鸡养殖收益。针对传统淘汰策略根据蛋鸡外貌特征和蛋鸡周龄进行淘汰容易降低养殖收益。论文提出一种兼顾蛋鸡料蛋比的同时,结合蛋鸡淘汰时的养殖收益的淘汰策略。该淘汰策略首先根据料蛋比预测蛋鸡产蛋高峰期的结束时间,由于料蛋比与产蛋率特点相似,选择使用LSTM-Kalman模型对其进行预测。然后使用指数平滑异同移动平均线和滑动窗口对养殖收益进行特征构造,使用皮尔逊相关系数、互信息和随机森林评估的加权结果对特征进行筛选,使用LSTM模型对未来四周的养殖收益进行预测,在养殖收益最大时对蛋鸡进行淘汰。该蛋鸡淘汰策略可以让养殖者更合理地选择蛋鸡淘汰时间,并最多可以提高0.69元/Kg的蛋鸡淘汰收益。