En este artículo, investigamos las características de distribución de la deposición de partículas en la esparción de fertilizantes granulares, establecemos un modelo de relación entre los parámetros operativos y la distribución de deposición de partículas, y diseñamos un sistema de predicción de deposición de partículas de fertilizante basado en vehículos aéreos no tripulados (UAV) utilizando la toma de decisiones mediante redes neuronales, lo que proporciona una base para la toma de decisiones en el modelo de aplicación variable de fertilizantes bajo interacciones multifactoriales. Los datos de distribución de deposición de partículas bajo diferentes parámetros operativos se obtuvieron mediante simulación EDEM y métodos de superposición de datos, y se utilizó una red neuronal de regresión generalizada (GRNN) basada en un algoritmo genético (GA) para establecer el modelo de predicción de deposición de partículas, que fue validado mediante pruebas de banco. Los resultados muestran que la precisión de predicción y el efecto de entrenamiento del modelo GA-GRNN son mejores que los del GRNN, con un coeficiente de determinación de 0.839, y que los resultados del modelo GA-GRNN son más cercanos a los datos reales al predecir la amplitud efectiva de la cantidad de deposición, lo que es más preciso. La prueba de validación a escala de banco muestra que la simulación es básicamente consistente con la cantidad de deposición medida realmente, y la curva de deposición está distribuida normalmente con un error lateral de aproximadamente 3%. Los resultados validan la fiabilidad del método de superposición de datos para la distribución de deposición de partículas y la viabilidad del modelo GA-GRNN en la predicción multifactorial, lo que proporciona una base teórica y orientación práctica para las operaciones de aplicación de fertilizantes de precisión utilizando UAV agrícolas.