在全球气候研究、海洋生态系统研究和海洋相关领域应用中,对海面温度(Sea Surface Temperature,SST)进行精准有效的观测和预测具有重要意义。然而,各种物理因素和环境因素都会影响海面温度的变化,使其具有高度的随机性和不确定性。因此,提出一种精度高的海面温度预测方法仍是一项挑战。基于时间影响力的海面温度预测方法往往专注于捕获历史海面温度的静态影响力,却忽视了预测过程中的动态影响力,所以这类方法存在明显的性能瓶颈。为了有效地捕获静态和动态影响力以及增强处理时间信息的能力,本文提出了门控循环单元(Gate Recurrent Unit,GRU)编码器-解码器(GRU Encoder–Decoder,GED)来预测渤海和南海区域的海面温度。除此之外,为了融合时空多维影响力以及进一步提高海面温度预测的准确度,本文还提出了卷积门控循环单元多层感知机(Convolutional GRU with Multilayer Perceptron,CGMP)来预测渤海和南海区域的海面温度。论文主要的研究内容和创新点具体如下:(一)提出了一种同时考虑静态影响力和动态影响力的具有SST码(SST Codes)和动态影响链(Dynamic Influence Link,DIL)的GED。一方面,SST码是基于注意力机制由GRU编码器的所有隐藏状态计算得到的,并且还与每个被预测的未来海面温度进行了关联,因此,它可以更加有效地捕获静态影响力。另一方面,DIL将SST码、早期被预测的未来海面温度以及未被预测的未来海面温度链接了起来,因此,它可以更加有效地捕获动态影响力。本文分别在渤海和南海区域上进行了三种不同模式(日均值、周均值和月均值)和多种不同预测尺度的海面温度预测实验。结果表明,GED的预测性能在不同海域、不同模式和不同预测尺度上均要优于其它经典模型的预测性能。尤其是在长尺度和月均值海面温度预测中,GED的预测性能优势表现得最为明显。另外,本文还得出了平衡预测性能和时间性能的最优观测窗口大小,以及历史海面温度与未来海面温度的注意力关系。(二)提出了一种考虑邻居影响力的时空结合的CGMP。CGMP的卷积层可以更加有效地在空间维度上捕获邻居影响力,这弥补了基于时间影响力的海面温度预测方法未考虑空间影响力的不足。CGMP的GRU层和多层感知机层可以更加有效地在时间维度上处理历史信息。本文同样地分别在渤海和南海区域上进行了三种不同模式(日均值、周均值和月均值)和多种不同预测尺度的海面温度预测实验。结果表明,CGMP的预测性能在不同海域、不同模式和不同预测尺度上均要优于其它对比模型,而且在周均值和月均值海面温度预测中,它的预测性能相比于GED得到了进一步的提升。另外,本文还探讨了渤海海面温度日均值预测实验中的误差分布规律。