近年来随着我国人民生活水平的不断提高,人们对包括火龙果、莲雾和芒果等在内的热带水果需求量也逐步提升,从而使得我们热带水果的产业规模在迅速增长。然而近年频繁发生的极端天气,对热带果树生产造成了较大的损失。因此开展广西区域热带果树种植适宜度研究,对于减少果农和企业的灾害损失,优化广西热带水果产业布局和发展具有重大的意义。经过文献调研发现,目前国内的果树和农作物种植适宜度分析,主要通过数理统计的方法对种植适宜度进行区划。然而影响热带果树种植的相关环境信息复杂且繁多,且传统的数理统计方法存在难以表述复杂信息间的内在特征、自适应能力低下等问题,因此本文对基于深度置信网络的热带果树种植适宜度分析模型进行了研究。通过对深度置信网络(Deep Belief Network,DBN)模型的深入研究发现,在DBN模型训练过程中,若学习步长选择不当,容易导致训练速度缓慢或者梯度振荡等问题。针对该问题本文提出了一种ALS-DBN深度学习模型,ALS-DBN模型在原有的DBN模型中引入自适应学习步长算法(Adaptive Learning Step,ALS)和动量项。同时利用KEEL数据库的数据集和UCI数据库的数据集对ALS-DBN模型进行可靠性验证。实验结果表明ALS-DBN模型在收敛速度和分类准确率上有着良好的表现。最后在PyCharm平台上搭建了基于ALS-DBN的热带果树种植适宜度分析模型,通过实验分析ALS-DBN模型中训练参数对模型的影响,并确定了ALS-DBN模型的最佳神经网络结构。根据分布于广西各市县的50个气象观测站所收集到的4000多条实际气象和地理信息数据,基于已有的研究经验和与相关专家的讨论结果,选取了 12个影响热带果树适宜度分析的环境和气候因素作为关键指标,对基于ALS-DBN的热带果树种植适宜度分析模型进行仿真实验,实验结果表明,ALS-DBN模型在火龙果、莲雾和芒果的种植适宜度分析中拥有良好的表现。