近年来,水产产品的需求量日益增多,因此,需要提高养殖效率,降低养殖成本,以满足日益增长的需求。其中,饵料是虾塘养殖最为关键的可以管理调控的成本。当投喂的饵料超过对虾摄食量时,多余的饵料残留落入水底,不仅浪费饵料,而且养殖水域的有害细菌或有毒物质增加,需要更多的资金维护水质,增加了养殖所需要的维护成本。反之,若投喂的饵料量少于对虾摄食量,对虾会缺少足够营养物质成长,生长速度变得尤为缓慢,而且对虾的摄入量也不均匀,对虾体长和体重会产生明显差距,生长参差不齐。我国的虾塘养殖目前还处于依靠虾农经验确定投饵量然后投入虾塘之中这一阶段,依靠经验确定的投饵量存在一定的误差。本文以长短时记忆网络（Long short term memory,LSTM）为基础构建对虾投饵量预测模型,利用卷积神经网络（Convolutional neural network,CNN）对LSTM的输入变量进行特征提取并挖掘这些输入变量的深层内在联系,使用自注意力机制（Self-Attention,ATTN）着重关注重要时间节点的时序数据信息并进行学习,建立了CNN-LSTMATTN对虾投饵量预测模型。最后使用改进粒子群优化算法（Improved Particle Swarm Optimization,IPSO）优化CNN-LSTM-ATTN预测模型的参数,降低经验设置参数对模型的影响,提高CNN-LSTM-ATTN对虾投饵量预测模型的预测精度。本文内容主要包括:（1）分析影响对虾摄食的因素,包括养殖环境外部因素,对虾自身内部因素和养殖管理因素等。本文考虑养殖环境因素、养殖管理因素以及对虾生长周期这些因素与所需投饵量之间的关系,选择对虾平均体重、数量、水温和溶解氧作为预测模型的输入变量,养殖需要的总投饵量作为输出变量。（2）针对对虾投饵量数据是一组非线性的时间序列数据,构建了LSTM对虾投饵量预测模型,通过控制变量实验确定了预测模型的参数设置。最后利用构建好的LSTM预测模型对测试集样本的投饵量进行预测,该模型可以大致拟合出对虾实际投饵量,但是存在一定的误差。（3）针对LSTM预测模型挖掘学习输入变量能力不足这一问题,提出先使用CNN对LSTM的输入数据进行特征提取,挖掘并学习输入变量之间的内在联系,构建了CNN-LSTM对虾投饵量预测模型。对比CNN-LSTM预测模型和LSTM预测模型的结果和性能评价指标,CNN-LSTM预测模型的预测精度更高,但是预测值与实际值之间误差还是较为明显。（4）针对CNN-LSTM预测模型没有考虑对虾在不同生长周期所需投饵量有显著变化这一不足,使用自注意力机制可以学习不同时间节点的时间序列的重要程度并分配不同的权重,降低对虾在不同生长阶段的投饵量的差异对投饵量预测模型造成的预测误差,构建CNN-LSTM-ATTN对虾投饵量预测模型。与其他预测模型的结果进行对比,发现该模型的预测结果在最后样本点预测误差更小,但是中间样本的预测误差更大。无法直观判定模型的准确程度,通过对比这些预测模型的性能评价指标,CNN-LSTM-ATTN预测模型的RMSE、MAE和MAPE分别是0.816,0.681和0.018,均是最小值。所以CNN-LSTM-ATTN预测模型有最好的预测精度和最好的模型稳定性。（5）为了降低人为经验参数设置对预测模型造成的误差,提出使用IPSO算法对CNN-LSTM-ATTN预测模型的参数进行自动寻优,构建IPSO-CNN-LSTM-ATTN对虾投饵量预测模型。IPSO-CNN-LSTM-ATTN预测模型的预测结果比CNNLSTM-ATTN预测模型更加接近实际投饵量。并和投喂率表计算得到的投饵量对比,发现IPSO-CNN-LSTM-ATTN预测模型有着更高的预测精度,平均误差为1.2%。最后使用该预测模型预测虾塘对虾投饵量,与虾农经验确定的投饵量相比,该预测模型具有一定的合理性,但是还需要考虑虾塘养殖需要的换底、加菌等操作。