为了适应新兴科技趋势的发展,符合未来的智能城市的需求,提高人类生活环境的智能化水平,智能家居的发展在社会中越来越占据了非常重要的地位。本文通过对目前智能家居的发展现状做了一定的分析研究,结合了人工智能的新兴技术,把传统智能家居系统环境数据采集、数据上传、用户交互、模式训练、家电控制等集于一体,设计出了一种改进的智能家居系统。分析了系统需求之后,设计采用了B/S架构的用户交互,通过采集下位机-服务器-控制节点-家电设备的总体结构来完成智能家居环境的智能监控,并对主要软硬件进行研究设计。在充分的对人工智能技术机器学习理论进行了深入研究之后,本文选用了长短时记忆(LSTM)神经网络模型作为智能家居的基础模型,在对Google开源框架进行简要分析后,本文选用TensorFlow作为LSTM神经网络的部署平台,并对预测模型进行了研究设计。将基于LSTM神经网络的环境监控系统主要分为了三大模块进行研究设计。数据管理模块是通过下位机树莓派进行环境信息的采集,并将信息通过通信方式实时显示到B/S架构的服务器网页以及移动端界面。同时,将数据存储到SQLite3数据库中,并提供给预测模型进行预测。网络通信模块主要是树莓派与服务器通过MQTT协议进行数据上传、存储;服务器通过WIFI进行与控制中心节点的通信;最后控制中心节点通过IR、RF、EnOcean等技术将控制命令发送到不同的家电设备。预测模块主要包括了基于TensorFlow的LSTM神经网络模型,数据输入后经过模型预测,输出控制指令。最后,对于本文设计的智能家居环境监控系统进行测试,环境信息采集完整度达到100%,家电设备的控制率达到95%以上。无线网络测试包括通过测试断电恢复后,网络能在2分钟内自愈;随着高度的变化,通信质量维持在-95dB以下。预测模型的测试主要对一天的环境信息预测,输出家电控制指令准确率达到90%以上。通过测试,本文设计的智能家居环境监控系统整体符合要求。