粮食涉及国计民生,是一个国家最根本的物质基础。我国是粮食生产和储备大国,粮食储备安全是我国的国家安全。粮食储备安全一个重要内容是保障粮食质量良好,而粮堆内部温度是保障储备粮食质量安全的一个最为重要的监测指标,准确分析和预测粮堆内部温度一直是粮食信息化交叉领域的一个研究热点,对于国家粮食储备安全具有极其重要的意义。本文首先使用长短期记忆网络（Long Short-Term Memory,LSTM）对粮堆内部温度进行时间序列上的预测;然后在多层LSTM网络的基础上加入注意力机制形成多级注意力网络,并结合粮温数据在时间和空间两个维度上的分析,建立基于多级注意力网络的粮堆温度预测模型,实现了对粮堆内部温度的准确预测;最后根据粮食行业对安全储粮的温度标准以及降温通风的允许条件,对粮堆温度预警模型设计步骤提出建议。主要工作如下:（1）粮堆温度数据具有典型的时间序列特性,LSTM网络在对时间序列进行预测时精度很高。本文利用LSTM网络对粮堆温度分别进行了单因素和多因素两种模型的预测实验。在LSTM单因素预测实验中,仅考虑目标温度传感器的历史时间序列,对目标传感器未来六天的温度进行预测,反归一化后得到温度预测值与真实值的均方根误差（Root Mean Square Error,RMSE）为1.64,平均绝对值误差（Mean Absolute Error,MAE）为3.39;在LSTM多因素预测实验中,同时考虑粮堆中所有温度传感器的最高温、最低温和平均温以及目标温度传感器在水平方向上所在传感器层的最高温、最低温和平均温这六个因素对目标温度传感器的影响,对目标传感器未来六天的温度进行预测,反归一化后得到温度预测值与真实值的RMSE为1.12,MAE为1.07。（2）注意力机制能够从众多目标中选择出对当前任务目标更关键的信息,本文在LSTM网络的基础上添加注意力机制,来提高LSTM网络的预测性能。本文提出一种基于多级注意力网络模型的粮堆内部温度预测方法。分别利用局部空间和全局空间注意力机制对目标温度传感器的空间关系进行建模,在此基础上,基于时间注意力机制选取其中对预测结果影响较大的时间点,将其与解码器的输出融合,再通过一个线性变换得到最终目标温度传感器未来六天的的预测结果。反归一化后得到温度预测值与真实值的RMSE为0.39,MAE为0.25,符合粮食储藏行业规定的粮堆温度误差范围要求（±0.5℃）。