在水产养殖中,投喂水平的高低直接关系到养殖效率和生产效益。目前国内水产养殖中存在养殖模式多、养殖环境复杂的特点。如何实现不同养殖模式下鱼类投喂量的精准预测是目前生产中亟待解决的关键科学问题。随着机器学习技术的不断发展和广泛应用,将其应用于鱼类投喂量预测已经成为研究的热点和趋势。本文拟以游泳型鱼类为研究对象,并分别针对传统式和集约化养殖两种养殖模式的特点,运用自适应模糊神经网络、BP神经网络和思维进化算法等机器学习算法,对鱼类投喂量的预测进行了研究,主要包括:1)分析了影响鱼类摄食的主要因素,包括环境因素、鱼类生理因素、营养因素和管理因素等。本文主要针对环境因素和鱼的生理因素,通过分析这些影响因素和鱼类摄食之间的关系,为之后提出的投喂预测模型奠定基础。2)针对仍大面积使用的传统养殖模式存在养殖信息数据量少、难以获取的问题,提出了一种基于两参数的自适应模糊神经网络(ANFIS)投喂量预测模型。将水温、鱼体重作为输入语言变量,通过模糊推理,利用ANFIS构建了基于两参数的投喂预测模型,实现了传统养殖模式下的投喂量的精准预测。实验结果表明:提出的模型的预测结果和实际投喂值相关度为0.98,不仅可以细化投喂率表,而且还节约人力成本,对传统养殖模式的鱼类投喂具有指导作用。3)针对新兴的集约化养殖模式存在传感器数据种类多、数量大的特点,提出了一种基于多参数的MEA-BP动态投喂预测模型。将水温、溶解氧浓度、体重、尾数作为输入变量,并采用具有极强全局寻优能力的思维进化算法(MEA)来优化BP神经网络的参数,最终构建了基于多参数的投喂量预测模型。实验结果表明,测试样本拟合曲线相关系数为0.963。与投喂率表方法相比,提出的模型预测值更准确,模型预测性能优于投喂率表。实现了集约化养殖下的鱼类投喂量的精准、动态预测。