粮食安全是我国平稳发展的重要基石。根据国家粮食与物资储备局的统计,中国在粮食的储存过程中每年损失2000万吨左右,而因储粮害虫而损失的粮食占其一半。近年来,国家强调要用科学的手段来实现粮食仓储安全的高效化与智能化。因此,如何保障我国的粮食仓储的安全,减少储粮因虫害而损失更是迫在眉睫。目前,在粮仓储粮中我国对虫害的防治手段主要是虫害的实时监测,利用害虫活动声音的声检测技术、人工取样的取样检测技术,以及利用图像处理等技术识别仓储害虫的图像。与此同时科学技术的发展带来大数据和云计算,深度学习得已运用在生活中的各个领域。鉴于我国仓储中对于虫害的管理的手段主要是实时监测,本文利用深度学习预测粮食虫害的发生,研究工作主要如下:（1）因长短期记忆网络（Long Short-Term Memory,LSTM）在长时间序列数据中不会出现梯度消失与梯度爆炸,针对粮仓储粮的虫害问题,利用LSTM算法学习粮仓储粮虫害发生时粮食温度、湿度数据与虫害数据间的时序特征,提出了基于LSTM的粮食虫害预测模型。同时为解决模型训练时出现的过拟合问题,在搭建三层LSTM网络模型时增加了Dropout层。实验结果表明,基于LSTM的储粮虫害预测模型预测性能具有一定优势,能减少因虫害而造成的粮食损耗,从而保障粮食在存储环节中的粮食安全。（2）将粮库每层的虫害样本占每层总样本数据的比例计算后,分析数据后发现粮食虫害发生的次数与层数存在一定关系,粮食虫害的发生与粮食的空间分布相关。针对此现象,采用卷积神经网络（Convolutional Neural Networks,CNN）对虫害数据的空间特征进行提取。将提取后的空间信息与虫害数据融合后输入LSTM网络模型进行训练、优化。实验结果表明,CNN-LSTM预测模型的预测性能明显提高。（3）针对我国绝大多数粮情测控平台对虫害的管理方法单一的问题,为将理论与实际运用相结合,采用Java语言编写了具有虫害预测功能的微服务器。为实现服务间的解耦合,划分了网络层、业务层和数据层,其中业务层中虫害预测功能是基于Keras训练后的模型实现。同时该服务器具有较强的独立性,可快速接入现粮情测控平台的服务端中,弥补了现粮情测控平台关于储粮虫害发生管理上的不足。综上所述,本文针对粮情测控平台中不能预测虫害发生的问题,借助粮食虫害与粮仓历史温度、湿度、虫害数据之间的时空相关性开展研究,建立了粮仓虫害预测模型,设计并实现了具有粮仓虫害预测模型的微服务,弥补了粮情测控服务中关于虫害预测方面的不足,对于提升储粮管理水平和保障粮食安全存储具有重要的意义,并具有一定运用价值。