火灾和环境污染事故,一直以来都对人们的财产安全和生命健康造成严重的威胁,校园作为人员密集的场所,一旦发生此类事故更会造成不可估量的严重后果。校园安全事故大多数是由于监测不及时、管理不到位,且事故发生后未能及时采取最佳补救措施所造成。因此,对校园环境进行有效的监测和管理具有重要的现实意义。目前多数环境监测系统是基于Zig Bee,WLAN或运营商的4G连接方式实现,此类连接方式存在着通信距离短、容量低与成本较高的缺陷,无法满足现在以及未来物联网对于低功耗、长距离、高容量和低成本的需求。此外,此类环境监测系统对数据的可视化展示程度不高并且且缺乏对数据后续的处理与分析。针对目前环境监测系统存在的不足之处,本文设计了一种基于LoRa无线网络的校园环境监测系统。具体研究内容如下:（1）设计并搭建了LoRa终端节点,包括硬件设计和软件设计。硬件设计部分包括终端模块的原理图设计、PCB绘制,传感器和无线模块选型;软件部分包括终端嵌入式软件设计和网关入网设置。对LoRa终端节点的通信距离和功耗进行了测试,测试结果表明LoRa通信方式可以实现校园500米以内的远距离通信,并且功耗较低。（2）基于Things Board框架设计搭建了校园环境监测后端系统。主要功能包括用户管理,节点可视化管理,数据可视化展示以及异常报警功能等。并对系统的各类软件功能进行了测试,测试结果表明系统能可视化实时监测环境数值,并对异常数据提供网页和邮件报警功能。（3）设计搭建了基于注意力机制的CNN-BLSTM算法模型用于环境温度预测。传统各类环境监测系统都是采集实时的数据进行监测,并没有对采集到的数据进行深度处理和应用。为进一步加强对数据的分析和利用,本文针对现有收集到的数据源特征,首先搭建了LSTM算法模型,并在该算法模型的基础上进行了两个层次上的优化设计。首先,针对为LSTM模型缺乏对个别异常数据干扰的处理以及只能前向训练挖掘数据联系的缺点,引入了CNN和BLSTM对分别对温度的趋势和前后特征进行提取。其次,针对多个环境特征对温度影响权值不同的特点,引入注意力机制对模型进行了最终的优化重构。最终通过和FNN,RNN,LSTM和CNN-BLSTM等时序模型的效果比对,得出基于注意力机制的CNNBLSTM时间序列预测模型具有更好的预测未来温度数据的能力。