众所周知,医院是治疗和护理病患的机构,对维持人们的健康、安全以及生命有着不可或缺的重要作用。它具有人员复杂、流动性大等特点;而且医院里面又存放有大量用于医疗的化学药剂,比如,像用于组织脱水的二甲苯、组织固定的甲醛,以及作为尿酸防腐剂的甲苯、检测试剂的乙醚等,会由于一些人为因素或设备设施老化等原因可能造成泄漏事故而影响相关人员的人身安全;再加上气体泄漏是一个浓度逐渐增加的过程,在气体泄漏早期浓度低、影响小;另外,医院建筑结构复杂,不便于气体泄漏险情发生后医院内相关人员的疏散撤离。对有毒有害气体泄漏的监测是一项绝不可忽视的工作,实现一种快速准确的早期气体泄漏监测算法可以极大地减少因发生气体泄漏可能对医院及院内人员造成的损失,对于医院与社会都具有重要研究价值。本课题面向医院可能存在有毒气体泄漏的问题,针对传统气体检测方法在气体泄漏早期检测方面存在的不足,提出一种基于长短时记忆（LSTM,Long Short-Term Memory）模型的早期气体泄漏监测算法。该算法主要思想是利用模拟有毒有害气体泄漏环境采集得到的气体传感器序列,其数据趋势在对应气体泄漏后发生明显变化的特点,将基于LSTM模型得到的预测数据的相对偏差阈值,作为系统判定被监测环境发生气体泄漏的标准。从而快速发现数据趋势的变化,实现对有毒有害气体泄漏的早期监测。为了对所提出的算法进行验证与模型测试,基于实验室的静态、动态测试系统模拟不同条件下的1ppm浓度有毒有害气体泄漏并用具有不同灵敏度的传感器采集获得响应不同的序列数据,利用这部分序列数据进行模拟泄漏监测实验。实验对比了预测方法与固定阈值传统方法对序列的监测效果;同时,用自回归移动平均（ARMA,Auto Regressive Moving Average）、Prophet两种经典的基于统计理论的预测模型与LSTM模型作对比,比较这几种模型在通过预测传感器序列以发现数据趋势的变化进而实现气体泄漏监测方面的适用性。