科里奥利质量流量计是一种新型的直接式质量流量计,其最大的特点是介质的质量流量不受其它物理参数影响,凭借着卓越的性能被广泛应用到各个领域当中。由于国内对于科里奥利质量流量计的研究相对起步较晚,核心技术也处于被垄断状态,市场上的产品普遍存在测量精度低和稳定性差的问题,同时,两相流工况下仪表的性能大幅下降。为此,本文将从信号处理的角度出发对科里奥利质量流量计开展研究。本文首先通过数字信号处理技术研究相位差的提取,分析了非整周期条件对傅里叶变换法和希尔伯特变换法的影响,理论与仿真相结合分析了相关分析法存在的问题,并在此基础上提出了两种改进方案。通过仿真验证了改进的相关分析法不但突破整周期条件的限制,而且具有更高的测量精度以及良好的稳定性。此外,提出了基于卡尔曼滤波的正弦信号降噪处理方法,实现了原始信号的信噪比从30d B提高至43d B,对各种相位差提取算法均有不同程度的提高。从数据驱动的角度探讨了科里奥利质量流量计的数字信号处理新思路。搭建了单相流实验平台并采集样本数据,以被检表的振动信号为输入特征、标准表输出的瞬时质量流量为样本标签,在大量实验数据驱动下训练深度学习模型。实验结果显示,长短期记忆网络模型性能优于其它网络结构,训练过程加入批归一化处理可提高收敛速度,利用贝叶斯模型融合和滑动平均处理可进一步优化模型,提高其泛化能力。通过测试集发现,深度学习模型的均方误差达到0.0047,测量值与高精度的标准表相接近,远优于被检表,从而验证了此方法的可行性。针对气液两相流的工况,本文建立了随机游动模型描述测量管的振动位移变化。当流量处于相对稳定的状态下,运用统计学的手段分析了流量计测量值的概率分布情况,在此基础上利用流量序列的自相关系数构建了自回归移动平均模型。实验结果显示,ARMA模型有效实现流量的静态修正。此外,对流量动态变化的工况,将振动信号与流量计测量值一并作为深度学习的输入特征,结合早停的训练策略有效避免过拟合现象,再结合滑动平均处理进一步提高算法稳定性和泛化能力,最终实现流量动态修正。