在食品数量安全得到保障之后,人们越发关注食品质量安全,在食品营养和卫生方面提出了更高的要求。然而近年来,国内外食品安全事件频发,如美国的沙门氏菌病危机、中国的镉污染大米以及欧洲的二恶英鸡污染事件等,不仅引发了公众恐慌,而且给各国造成了严重的经济损失。因此,为保障食品质量安全,降低食品安全事故发生率,预防食品中的营养不均衡风险和环境污染风险对人体健康造成的危害,本文以机器学习算法为核心,以食品安全检测数据为基础,研究具有高可靠性的食品安全风险预警建模方法,并将其应用于乳制品和调味品的食品安全风险分析与预警中。本文的主要研究内容如下:（1）针对单一检测指标的合格与不合格状态无法反映食品安全综合风险的问题,从多指标、多维度出发,提出一种基于改进层次分析法（AHP-SP）的食品安全风险评价方法,克服了传统层次分析法主观臆断性强的缺点。该方法首先基于AHP-SP算法确定各评价指标的权重,然后通过线性加权综合法融合食品安全检测数据中的营养不均衡风险和环境污染风险,最后获得表征检测样本风险大小的风险值并进行风险分级,为构建食品安全风险预测预警模型提供可靠的数据基础。（2）为提高食品安全风险预测模型的预测精度与泛化能力,提出基于网格搜索算法优化支持向量机（GS-SVM）的食品安全风险等级预测模型,通过GS算法实现SVM超参数的自适应调优。将基于AHP-SP的食品安全风险评价方法获得的风险分级结果和相应检测样本作为历史统计数据训练GS-SVM模型,以预测新一批食品安全检测样本的风险等级并实现食品安全风险评估。针对评估结果不含有高风险样本的食品,即质量安全水平较高的食品,可不必采取进一步的风险预警措施。（3）针对GS-SVM模型评估的风险等级偏高的食品安全检测样本,需进一步衡量其隐含风险大小并识别高风险因素,因而提出基于改进的自适应惯性权重粒子群算法优化长短期记忆神经网络（IAPSO-LSTM）的食品安全风险预测模型,以摸清食品安全风险的发展规律,实现可靠的食品安全风险分析与预警。IAPSO算法针对不同粒子的性能制定个性化自适应惯性权重来更新其速度和位置,解决了传统PSO算法易收敛到局部最优的问题。同时基于相关系数法识别检测样本中的高风险因素,为开展有针对性的食品安全风险防控工作提供决策依据。