温室小气候环境系统具有大时滞、非线性、强干扰、强耦合、时变的特点,是一个非常复杂的动力学系统。其环境状况直接决定温室作物的生长状况,影响温室作物的产量、品质、供应期以及经济效益。因此,研究温室系统的建模与控制对于提高设施农业现代化水平具有重要的意义。本论文采用非参数脉冲响应序列(Finite Impulse Response, FIR)模型描述温室温度系统,相比ARMAXCAuto Regressive Moving Average Models With External Input)模型,FIR模型辨识不需要确定模型阶次和时间延迟。但由于FIR模型是线性模型,温室系统是非线性时变系统,所以要用尽可能少的数据用于辨识系统的脉冲响应序列。由于时滞系统的FIR序列是稀疏的,根据压缩感知理论,我们可以利用欠采样的测量数据,通过求解稀疏优化问题(如LASSO)恢复出系统的FIR序列,得到系统的时间延迟特性。另外,通过调整信号的稀疏度,可以减少噪声带来的影响。为了更好恢复出系统的FIR序列、辨识得到更精确系统的时延特性,本论文从数据选择、参数调整、算法求解等方面展开研究,研究了不同的稀疏优化问题求解算法,包括交替方向乘子法(the Alternating Direction Method of Multipliers, ADMM)和逆尺度空间(Inverse Scale Space, ISS),比较算法的性能。最终辨识得到室外温度、太阳辐射强度、湿帘的时间延迟分别为10分钟、1分钟和1分钟,与温室温度系统的机理分析一致。在湿帘关闭和开启两种情况下,模型拟合度分别达到96.73%和94.14%,试验证明该模型具有较高的可信度。温室系统是一个大时滞系统,基于模型的预测控制算法是解决大时滞系统控制问题的有效方法之一。我们将辨识得到温室温度系统的脉冲响应序列直接应用于模型算法控制,通过预测未来时刻温度来决定当前时刻设备的动作,从而减小设备的开关频率,降低设备磨损。最后,通过仿真来验证模型以及控制算法的有效性。最后,总结全文,提出现有工作需要进一步深入研究的问题。