粮食现货交易具有交易数量大、价格波动大、交易风险大等特点。而最近几年我国粮食电子商务市场凸显出了“主体多重关联、交易模式多样、风险复杂多变”的典型特征。但是,传统的监管模式为单一监管模式、垂直监管模式和单一的服务模式,因各个平台间数据共享性差,关联协作性差,组织协调性差,模式粒度多样性差,导致粮食现货交易市场交易过程可信性低,粮食现货交易双方主体查验难,粮食现货交易过程监管可靠性低,粮食现货交易风险预警准确性差等问题。本文首先对粮食现货交易预警的国内外现状与交易预警、循环神经网络发展趋势进行了总结分析,然后分析了当前粮食现货交易风险预警急需解决的难点问题。监管执法存在不足,相关指标不明确,体系不完善,风险预警客观指标不明确,主观的指标过于大,预警模型所选择的方法对粮食风险信息的适应性有待进一步改善。提出了两种粮食现货交易风险预警模型。以及相应的粮食现货交易市场风险预警工作流程。分别为BP神经网络的改进算法GANOPSO模型与RNN（循环神经网络）的改进模型LSTM模型,在应用于粮食现货交易市场风险预警时,由于GANOPSO模型与LSTM模型自身存有局部收敛的局限性,在训练过程中容易导致训练失败,因此GANOPSO模型与LSTM模型需要对算法进行优化操作,才能够在粮食现货交易中取得有价值的预警结果。最后,对比提出了一种新的粮食现货交易风险预警模型。用基于深度学习的优化LSTM模型,可以克服LSTM模型易陷入局部最优等缺陷,在一定程度上提高模型的预警精度。本文将LSTM应用于粮食现货交易问题,在传统LSTM分类模型的基础上,进行优化处理,得到改进的LSTM分类模型。改进后的模型充分利用了输入信息,减少了不必要的计算,LSTM单元模型的输出可以过滤掉干扰信息,保留重要信息,因此具有更好的分类效果和更快的训练速度。实验结果表明,本文提出的改进LSTM网络分类模型与改进模型相比,在识别精度和训练速度上都有显著提高。