灌装流量检测作为食品灌装产业的关键环节,直接影响到产品的灌装速度和定量精度。对于粘稠食品而言,由于其固有的复杂非牛顿流变特性,致使其在灌装过程中的流量精准计量极具挑战。为此,本文开展了基于循环神经网络的粘稠食品灌装流量检测的研究,主要研究内容如下:（1）针对粘稠食品在灌装过程中容易产生拉丝、起泡导致流量精准测量难的问题,提出基于循环神经网络的灌装流量检测方法,实现灌装流量的主动感知。首先对粘稠食品灌装的机理特性进行分析,描述其灌装流量的长期相关性;其次对比前馈神经网络详细阐述普通循环神经网络的结构和训练方法,解释其适用于灌装流量检测问题的原因;最后简要说明该方法的工作流程,并探讨了循环神经网络可能存在的不足之处。（2）针对循环神经网络在训练过程中可能存在的梯度消失问题,提出一种基于LSTM-Attention的粘稠食品灌装流量检测方法。首先对灌装流量相关变量数据集进行描述与处理,转化成可供有监督学习网络处理的序列化数据;然后对Attention机制下的网络进行训练和泛化,采用tensorflow后端、自适应矩估计优化算法,进而完成粘稠食品灌装流量检测模型的搭建;最后在测试集上检测模型的性能,采用均方根误差和训练时间作为评价指标,并在同一数据集上与其他网络模型进行比较。实验结果表明,本模型能够有效地进行粘稠食品灌装流量检测,性能较好。（3）针对长短时记忆网络由于复杂的门控结构在模型训练速度上还有待提升的问题,提出一种基于SE-LBU-MGRU的粘稠食品灌装流量检测方法。首先以只保留更新门的MGRU作为隐藏单元,搭建单双向融合结构的MGRU网络;其次分析SE-Net原理并基于此构建基于SE-Net的注意力模块,将其嵌入LBU-MGRU网络,采用pytorch框架,加入早停优化算法,进而完成SE-LBU-MGRU模型的构建;最后在同一数据集上进行对比实验,证实了本方法在保证一定精度的同时能够提升模型的训练速度。