智慧大棚是物联网技术在农业生产领域的典型应用。智慧大棚是指利用大棚中的各种传感器对温度、湿度、光照等信息进行实时监测,在预警系统的支持下,对收集到的信息进行及时检测,发现异常,报告给用户,从而控制大棚内的卷帘、灯光、灌溉等设备,使作物始终生长在适宜的环境中,提高作物的质量和产量,增加收益。在这个过程中,预警系统对收集到的传感器数据进行异常检测是至关重要的问题。然而,传统的面向静态数据的异常检测算法没有考虑数据流的无限性、互相关性、概念漂移等特点,这给数据流异常检测带来许多挑战,具体表现如下:（1）数据流通常是快速持续到达的,具有无限性。这导致传统的异常检测算法无法通过存储整个数据集或者多次扫描数据集来提高检测的准确性;（2）不同的数据流之间存在相关性,这是传统的异常检测算法进行检测时很少考虑的因素。在这种情况下,传统异常检测算法的检测准确性可能会下降;（3）数据流中数据的分布会随着时间的推移发生变化,这意味着利用初始历史数据训练得到的模型不再符合当前的概念,异常检测算法需要及时更新模型来适应概念漂移问题。因此,传统的没有模型更新的异常检测算法将无法正确预测新的数据分布。此外,数据流异常检测算法的效率也是要考虑的重要问题之一。针对上述挑战,本文考虑数据流的特点,对传统的异常检测算法进行改进,并将改进的算法应用在智慧大棚预警系统中,以实现准确高效的预警系统。具体研究工作如下:（1）针对传统异常检测算法中检测效率不高的问题,使用LSHiForest方法进行改进。利用哈希函数划分数据点,异常点更快更容易被划分出来,从而使得检测的时间复杂度降低,提高检测的效率。（2）针对传统的异常检测算法处理数据流时所面临的三个挑战,基于已有的LSHiForest算法,结合滑动窗口和模型更新技术,提出新的数据流异常检测算法DLSHiForest,对数据流进行异常检测。该方法利用滑动窗口存储实时到达的数据点,解决数据流的无限性问题;利用哈希函数对数据进行哈希,从而检测数据异常,解决数据流的互相关性问题;定期更新检测模型,解决数据流的概念漂移问题。为验证所提出方法的有效性,本文选用真实的农业大棚传感器数据集,通过设计对比实验,比较评价指标,来证明上述方法在数据流异常检测中的表现,最终实验结果表明本文提出的方法是可行有效的。（3）结合上述改进的算法,设计并实现一个准确高效的智慧大棚预警系统。借鉴已有的预警系统的模式,基于B/S架构模式以及三层架构设计,采用Java语言,在IDEA以及Web Storm开发工具中,对系统进行设计与实现。