科里奥利质量流量计（CMF）的测量管在激振器的作用下做简谐振动,使两端的传感器受到科氏力的作用发生偏移,实现对质量流量的直接测量。科氏流量计具有高稳定性、高测量精度以及多功能性的优点,不仅可以实现对质量流量的测量,还可以获得密度和温度等,工业精度可达千分之一。但科氏流量计容易受到噪声干扰,对加工过程要求较高,且密度随速度、流体介质等缓慢变化,使得质量流量的测量精度下降。本文首先对研究课题的背景、意义以及国内外的研究现状进行了介绍,阐述了科氏流量计的结构以及优缺点,然后针对提高科氏流量计的质量流量提取精度展开研究。（1）科氏流量计的质量流量通过密度与相位差获得。为提高质量流量的提取精度,可以从相位差提取算法入手,通过提高相位差提取精度实现质量流量精度的提高。本文提出将数字上变频技术应用于流量计相位差的测量,提高相位差的估计精度。为实现该方法本文首先使用MATLAB进行算法验证,然后对算法进行分块设计。整个设计被分为信号源模块、混频模块、滤波模块以及相位提取模块,对每个模块进行编程设计和验证,最终将该方法与其他传统相位差提取算法进行比较。（2）相位差精度和密度均为影响质量流量精度的重要因素。在第一点中对相位差估计算法进行了研究,密度由科氏流量计结构的固有频率决定,本章对科氏流量计的固有频率进行讨论。本文借助ANSYS搭建了模态分析仿真模型,使用三种不同结构的弯管进行固有频率的分析。为了探究不同速度、不同流体介质对固有频率的影响,搭建了流固耦合仿真模型,最终得出流体速度、流体介质影响固有频率,固有频率随时间缓慢变化的结论。（3）根据第二点的结论可知,单纯的提高相位差估计精度并不是提高质量流量估计精度的最好方法。为此,本文提出使用希尔伯特变换和SVR构建机器学习模型,以相位差作为特征,质量流量作为标签值,将相位差与质量流量直接建立联系,避免引入密度误差。该算法首先对所得传感器信号进行滤波处理,然后通过希尔伯特变换和相关分析得到相位差和相关系数作为模型特征,构建SVR机器学习模型之后使用粒子群算法进行模型的超参数寻优最终实现质量流量的提取。最后设计实验验证该算法的准确性,实验结果表明该算法可以完成质量流量估计。