农业机械化是提高农业生产率、优化农业产业结构、促进农村劳动力转移、增强农村土地效能和降低农民劳动强度的主要手段。农业机械化作业水平是衡量某地区农业机械化发展水平的重要指标。自2004年《农业机械化促进法》颁布以来,我国农业机械化发展环境明显优化,产业结构不断调整,农业机械化作业水平持续提高。2016年,我国农业机械化作业水平达到65.2%,主要粮食作物生产机械化快速推进,主要经济作物生产机械化取得显著突破。尽管我国农业机械化发展取得了优异的成绩,但同发达国家相比,我国农业机械化发展仍存在较多问题,农业全程全面机械化面临诸多挑战,农业机械化作业水平仍处于中级发展阶段。因此,正确认识我国农业机械化作业水平并实现其精准预测对相关政策的制定与资源的合理配置具有重要意义。全方位的分析了农业机械化作业水平的影响因素,分别采用3种不同的预测方法对我国农业机械化作业水平进行预测,并针对性的提出农业机械化发展的意见。从社会经济发展、生产要素投入、产出效益、服务与保障4个方面系统地提取了15个主要影响因素指标,整理各指标历年数据。其中,社会经济发展因素包括一产GDP、农机原值、农村人民人均纯收入、三大粮食作物平均用工作价在内的4个二级指标;生产要素投入因素包括农机总动力、农机总投入、乡村就业人员数、乡村农机从业人员数、农机户数量、农用柴油使用量6个二级指标;产出效益因素包括三大粮食作物平均用工数量、粮食单位面积产量和农机使用经营总收入3个二级指标;服务与保障因素包括农机修理网点数与农机安全监理机构个数2个二级指标。采用主成分分析法对15个影响因素指标进行分析,从中提取出2个主成分,保留了96.445%的原始信息,尽可能减少信息损失的前提下实现了影响因素数据结构的简化。针对我国的农业机械化作业水平非线性和非平稳性的特点,基于小波分析和BP神经网络的基本原理,建立小波-BP神经网络的预测模型。首先系统地分析并提取农业机械化作业水平主要影响因素,采用主成分分析的方法进行降维处理,然后对我国农业机械化作业水平时间序列和影响因素主成分序列进行小波分解获取低频分量和高频分量,进而对低频分量与高频分量分别建立BP神经网络预测模型,最后将预测得到的低频分量和高频分量通过线性叠加得到最终预测结果。以我国农业机械化作业水平预测为例对该方法进行验证,研究结果表明:小波-BP神经网络预测模型具有较好的预测效果,与传统预测模型进行对比,模型评价指标平均相对误差、均方根误差、希尔不等系数、一致性指标、有效系数和优秀率分别为0.44%、0.293、0.0024、0.90、0.9727和100%,各评价指标均优于其他模型。为探究不同组合模型对我国农业机械化作业水平预测的影响,以我国农业机械化作业水平时间序列为研究对象,以2001-2012年历史数据作为训练样本,分别选择指数曲线法、三次指数平滑法、灰色预测法构建单项预测模型,基于单项模型的预测结果,选择误差平方和最小法、Shapley法和IOWGA法构建组合预测模型,并对2013-2015年农业机械化作业水平进行预测。预测结果的对比分析表明,组合模型的预测精度从高到低分别为IOWGA组合模型、基于误差平方和最小法组合模型、Shapley组合模型。IOWGA组合预测模型充分汇集了各单项预测模型中的有效信息,并且根据预测精度的大小赋予不同的权值,具备更好的预测效果和稳定性,相对误差可控制在1%,IOWGA组合预测模型用于我国农业机械化作业水平预测具有优越性。以我国农业机械化作业水平时间序列为研究对象,根据数据样本非线性与随机性的特点,分析了灰色模型和Elman神经网络模型的优缺点,构建基于遗传算法优化的灰色Elman神经网络组合模型。运用灰色遗传Elman神经网络模型对2000-2013年我国农业机械化作业水平进行拟合,并对2014-2015年的数据进行预测。结果表明:灰色遗传Elman神经网络模型有良好的预测效果,平均相对误差仅为0.18%。该模型充分发挥灰色模型弱化数据随机性的优势与遗传Elman神经网络处理非线性问题的长处,适用于我国农业机械化作业水平的预测。结合预测结果,从加强推广规划设计、实现农机共享、土地规模化经营、调整种粮补贴制度在内的4个方面提出相应的参考意见。通过以上研究工作,为我国农机发展规划提供一定的参考,为我国农机相关政策法规的制定提供理论依据,以期加强我国农机现代化又好又快的发展。