柑橘种植业在我国南方农产业中具有重要经济地位,在长江以南栽培范围十分广泛。但由于其物候期长以及其他自身特点,所以造成柑橘类作物在生长的多个周期中极易发生病虫害。若不及时发现及采取应对措施,极有可能发展成重大病虫灾害,进而使得柑橘大幅减产而造成严重经济损失。柑橘的病虫害发生与海拔、气温、湿度、日照时间、降雨量等气候因子密切相关。结合气候变化数据与病虫害的发生规律,建立合适的机器学习模型以预测柑橘病虫害发生情况,并开发出一个柑橘病虫害预警系统以验证和应用,对于我国柑橘产业的发展具有重要意义。在数据建模方面,支持向量机基于统计学习中的VC维及结构风险最小化理论,在解决非线性、小规模及多维模式识别问题中具有比其他机器学习算法更加突出的优势。但随着数据量的增加,支持向量机算法应用在大规模数据时具有很高的计算复杂度,致使支持向量机的应用范围受到很大限制。本文主要研究支持向量机及分布式计算相关理论并将两者相结合,主要工作如下:本文首先阐述并行计算相关技术,包括Spark运行机制、Spark流式计算、分布式存储文件系统HDFS容错机制和存储机制、分布式计算资源调度平台YARN等理论。然后在分析支持向量机算法及用于参数寻优的差分进化算法的原理的基础上,将差分进化算法与支持向量机相结合,继而应用到支持向量机的交叉验证过程,提高了支持向量机预测分类精度。研究利用差分进化算法优化后的SVM在Spark平台上并行化实现,以大幅减少SVM的交叉验证时间,从而提升算法性能,且设计实验验证算法的有效性。最后本文给出了一个基于分布式SVM的柑橘病虫害预测系统的设计与实现过程。在简述系统总体设计思路并进行系统架构设计的基础上,将算法融入系统,继系统编码后,部署开发环境并试运行该系统,以验证预测模型及系统可用性。