农业投入品的使用关乎广大人民群众“舌尖上的安全”,然而目前对于农业投入品的检测管理大部分集中在产后残留量上,产后检测程序复杂、周期较长,难以满足普遍需求,还有一部分集中在溯源系统的信息管理上,但农业投入品的溯源信息尚未实现全自动录入,信息的真实性有待商榷。为了实现对农业投入品的实时监测、自动采集和快速预测,保证农业投入品使用信息的完整性和真实性,本文在深度学习的理论支撑下对农业投入品在线分类预测方法开展了研究工作。本文提出了一种基于优化极限学习机的投入品分类预测模型,以八种穿心莲常用农业投入品的理化参数作为研究对象,进一步验证了模型的可用性,设计并实现了以应用投入品分类预测模型为目标的平台。工作主要内容包括以下几项:（1）投入品数据探索与分析。本文选择中药穿心莲常用的硫酸铵、波尔多液等八种农业投入品进行了20次定量实验以获取实验数据,观察其在投入后收集的电导率EC与酸碱度p H数据,得到不同投入品在同一实验中,EC值和p H值存在突变并维持在某个范围内,同一种投入品在不同实验中,EC值和p H值存在一定范围的稳定性。（2）提出一种基于栈式稀疏自动编码器（Stacked Auto-Encoder,SAE）的农业投入品分类预测方法。本文通过搭建SAE-SOFTMAX神经网络,建立农业投入品的分类预测模型,建模过程可分为三个步骤:一是特征提取,采用SAE模型提取投入品数据的特征表示;二是数据分类,采用SOFTMAX分类器将提取的特征数据及类别标记进行监督训练,获取投入品的最大概率值;三是网络微调,采用反向传播算法对训练好的SAE-SOFTMAX神经网络进行整体微调,进一步提升预测准确率。实验证明:通过SAE-SOFTMAX神经网络训练的模型准确率达到94.14%;SAE模型在预测准确率上优于BP模型,但不如BP模型稳定。（3）提出一种基于SSDA-HELM-SOFTMAX（Stacked Sparse Denoising AutoEncoder–Hierarchical Extreme Learning Machine-Softmax）的农业投入品分类预测方法。为解决传统神经网络模型存在的稳定性差及泛化性能差问题,在SAE-SOFTMAX神经网络模型的基础上,提出基于SSDA-HELM-SOFTMAX的农业投入品分类预测方法,采用SSDA模型对原始数据进行无监督训练,获取预训练参数,采用SSDAHELM模型来提取农业投入品特征。向模型输入理化数据,通过无监督特征提取和有监督特征分类,最终输出数据属于各类农业投入品的品种概率,取概率最大的作为结果。使用留一法进行交叉验证,测试模型的鲁棒性和适应性,实验证明:本文提出的方法准确度达到98.17%,比BP神经网络和SAE-SOFTMAX神经网络分别提高4.08%、1.58%,SSDA-HELM模型稳定性最优。（4）投入品在线预测平台开发。采用B/S模式、C#语言和SQL Server数据库开发农业投入品在线分类预测平台,平台将全天实时监测投入品理化数据,平台监测到的数据突变时应用SSDA-ELM-SOFTMAX模型预测农业投入品的使用品种,预测结果将由平台自动发送到管理员的联系邮箱。