燃气日负荷预测结果的准确关系到燃气供应的可靠性,且直接影响燃气企业的经济效益。由于燃气日负荷的本质属于一个随机非平稳的时间序列,完全精准的预测几乎是不可能的。因此,国内外学者一直致力于提升其预测精度的研究。深度学习能够有效处理各种复杂预测问题,是目前人工智能研究领域的热点之一,将深度学习应用到燃气日负荷预测对提高预测精度和泛化性能具有重要的意义。因此,本文围绕三个不同用气结构城市,以居民用气为主的A市、以商业用气为主的B市和以工业用气为主的C市的展开燃气日负荷特征及预测模型研究,主要研究内容及结论如下:（1）对收集的燃气日负荷历史数据进行预处理。结果表明,采用多元回归修正法对连续多日数据缺失的填补效果优于线性插值法和多元回归法;孤立森林算法用于离群数据检测相比局部异常因子算法效率更高。（2）对比分析不同城市的年、典型月份以及节假日的燃气日负荷变化规律,并采用相关分析法分析影响因素对日负荷的作用机理。结果表明,A市和B市较C市周期性更为明显,A市的冬季和温和季中降温时段,B市有节假日的月份有更强的波动性。用气结构对连续七日的节假日负荷的突变方向和幅度有一定影响,而连续三日的节假日负荷随机性较强,用气结构对其影响较弱。（3）综合考虑燃气日负荷时序的特性,从输入变量、时间信息挖掘、梯度问题、优化算法,不同季节特征差异,分别对三个城市建立了长短期记忆网络的日负荷滚动预测模型。该模型的在测期间平均绝对百分比误差范围在1.82%～4.74%之间,预测性能总体优于自回归积分滑动平均模型、反向传播神经网络模型和循环神经网络模型。（4）考虑长期记忆网络对局部特征信息提取能力不足,提出一种结合卷积神经网络的混合模型。混合模型能够有效提升预测精度和泛化性能,与单一模型对比验证了该模型的优越性。综上,深度学习算法能有效提高燃气日负荷预测的精度,本文研究思路可为建立其他城市预测模型提供参考,具有一定的现实意义。