海表面温度（Sea Surface Temperature,SST）)作为平衡地表能量及衡量海水热量的重要指标,对海洋气候及生态系统改变有着重大的影响,并与多种自然灾害,例如厄尔尼诺、娜尼拉以及赤潮等具有密切的关系。因此提升SST预测精度对全球气候、海洋防灾减灾、海洋环境及渔业具有重要意义。SST观测数据是一种典型的时间序列数据,许多学者通过时间序列回归方法对历史SST数据进行统计与分析,获得SST的发展趋势并作出预测。极端气候条件下,SST序列呈现明显的非平稳性,使用传统方法进行海面温预测（SSTP）难度大,且精度较低。近年来,随着深度学习在自然语言处理、股票预测、图像处理及目标检测等领域的广泛应用,基于深度学习的方法进行SST预测成为目前研究的热点,并呈现出预测精度高、鲁棒性较好的优势。由于观测设备可靠性不足及抗干扰性差等自身条件的限制,使得SST序列呈现出显著的非平稳性,并存在一定的误差,尤其是特殊气候条件下的SST序列（厄尔尼诺,娜尼拉等）,造成SST的预测精度较低;此外,SST数据又具有很强的区域相关性,有效利用SST数据的空间特征,并将其与时间特性相融合进行SST预测,可极大地提升SST的预测精度。因此,针对SST数据的非平稳性及区域强相关特性,本课题针对不同预测模型分别进行改进,提升SST预测精度。本文的主要研究内容如下:（1）针对单点SST时间序列,由于SST序列具有明显的非平稳性,影响了单点SST时间序列的预测精度,因此,降低数据的非平稳性是提高SST预测精度的关键。本文综合考虑经验模态分解算法（Empirical Mode Decomposition,EMD）和门控循环（Gated Recurrent Unit,GRU）神经网络优势,提出一种基于EMD-GRU的海面温度预测模型,极大提高SST预测效果。首先使用EMD对SST序列进行分解处理,降低SST的非平稳性,再将处理得到的子序列分别输入RNN、LSTM和GRU网络进行实验,将其预测结果与利用原始序列直接输入三种神经网络的预测精度进行对比。结果表明,本文提出的EMD-GRU模型效果最优,其MSE与MAE分别为0.236、0.371,而直接使用GRU的MSE与MAE分别由0.874、0.691。（2）SST时间序列不仅具有时间特征,还具有空间区域相关性,文中充分考虑空间相关性对预测精度的影响,融合EMD与ConvLSTM神经网络,提出了一种EMD-ConvLSTM模型来对区域SST序列进行预测。首先使用EMD方法对SST矩阵序列进行处理,将其分解为若干imf矩阵以及一个res矩阵,针对每一个子矩阵值序列进行单独预测。在预测部分中,为充分获取SST时间序列的空间区域相关性,首先通过卷积操作来提取SST的局部空间特征;随后利用ConvLSTM构建预测模型,输出子矩阵序列的预测值。同时为了挖掘时间远近对预测结果的影响,突出时间维度上的关键信息,在本文中采取了时间维度上的注意力机制,进行子序列的预测。最后,将每一个子序列的预测结果叠加得到原始SST序列的预测结果实验结果。实验结果表明在使用10天来预测5天时,实验结果的RMSE与PACC分别为0.32,99.03%,与直接使用CNN-ConvLSTM的0.47,98.79%相比得到了一定的提升。通过以上研究内容,本课题在提升SST预测精度方面取得了一定的进展。贡献主要有两点:首先针对SST序列的非平稳性特性,引入了EMD算法来降低SST序列的非平稳性,并与深度学习方法相结合进行预测,取得了较好的预测结果;其次,综合考虑SST序列的区域特征与非平稳性特性,提出一种EMD-ConvLSTM预测方法,提高了区域SST的预测精度。