随着近年来数字化养殖技术的迅猛发展,海参养殖水体中的温度、盐度、p H值和氨氮浓度的在线监测和预测成为智慧养殖、促进海参健康生长的重要技术工作。其中氨氮浓度的监测面临检测技术复杂,耗费人力物力财力较大的问题,养殖产品的氨中毒会造成不可估量的经济损失。养殖水体中的温度、盐度、p H值等因素影响着海参生长环境中的氨氮浓度,因此使用软测量技术,通过温度、盐度、p H值来建模和预测海参生长环境的氨氮浓度,具有一定的现实意义。另外,在建模和预测过程中,对养殖数据的预处理和对模型的选择及优化,也在一定程度上可以提高模型的工作效率。为此,本文提出基于EM多重插补算法的海参养殖水质氨氮浓度多阶段融合建模,具体内容如下:1.针对现场采集数据存在样本缺失的问题,提出一种基于期望最大化（Expectation Maximization,EM）的多重插值法,实现对养殖数据缺失值的填补。利用EM算法的快速收敛性能提升模型训练速度,与多重插值法的结合保证了插值数据的多样性,从而完成缺失值的填补工作。使用此算法分别和EM单值插补法、人工周内数据EM插补法进行缺失数据填补实验,并使用随机配置网络（Stochastic Configuration Network,SCN）对三种方法填补后的完整数据及原始数据进行氨氮浓度预测建模对比。实验结果表明,改进的EM多重插值填补法,不仅模型训练速度更快,而且插补数据不再是单一数据,即数据多样性更高,均方根误差RMSE值相较于另外两种方法减小了2.58%,可以看出模型精度更高。测试集的RMSE比训练集的RMSE小10.83%,表明模型泛化能力更强。2.针对春夏和秋冬数据量不平衡的问题,采用变分自编码器（Variational Auto-Encoder,VAE）对EM多重插值后的完整数据进行增广处理。实验过程依据数据特征,通过编码器和译码器,生成重构的温度、盐度、p H值和氨氮浓度,解决数据量不足及不平衡的问题。将此方法与基于结构化数据表的生成式对抗网络（Table-Generative Adversarial Networks,Table GAN）进行数据增广和建模效果比较。实验结果表明,VAE相较于Table GAN网络,增广后的合成数据模型均方根误差RMSE值减小5.05%,可以看出VAE增广后的合成数据预测模型的精度更高,泛化能力更强。3.考虑到养殖水质在春夏和秋冬季节差异较大,为进一步提高预测模型精度,提出基于切换机制的长短期记忆神经网络（Long Short Term Memory,LSTM）多阶段建模方法。选用高斯过程回归（Gaussian process regression,GPR）、反向传播神经网络（Back Propagation,BP）、径向基函数神经网络（Radial Basis Function Neural Network,RBF）及SCN与LSTM模型进行建模效果对比。实验结果表明,相较于单一模型,采用模型切换的多模型精度更高,且基于春夏LSTM子模型和秋冬LSTM子模型的均方根误差RMSE值相较于单一模型减小25%,模型准确度更高。