海洋温度在海洋水文要素中非常重要,是影响气候变化的关键因子,对声速、声波的传播、声呐设备的传播距离均有显著影响,间接影响水声网络连通性。因此,深入挖掘及精准预测海洋温度的时空分布及其变化规律,有助于海洋中不同深度下声速以及声波传播距离的估计,传播路径的分析研究,对水声工程的发展,尤其是水声网络的连通有着重要意义。然而,现有的海洋观测数据存在数据表征不完备以及时序特征表征不完备问题,给海洋温度的规律性研究带来了挑战。传统的数据补全与温度预测模型主要包括数值模型和基于统计学的模型,他们往往结构简单,无法更好的捕获数据的非线性特征,而新兴的深度学习模型的效果往往依赖于超参数的选择,难以取得理想精度。本文重点从深度学习模型切入,对海洋温度空间和时间上的特征以及分布规律进行充分挖掘和学习,提取空间特征用于缺失数据补全,提取时间特征用于时间序列预测。从数据表征不完备切入,针对海洋Argo数据集存在某些经纬度温度数据缺失的问题,本文将BiLSTM（Bi-directional Long Short-Term Memory）层与GRU（Gated Recurrent Unit）层相结合,在双层GRU模型可以很好的捕捉海洋温度空间趋势性的基础上,综合了BiLSTM能够学习海洋温度空间关联性的能力,提出了基于多层BiLSTM-GRU模型的缺失温度数据补全方法,构建了GRUBiLSTM-GRU模型,并对最优神经元进行了选择,获得了理想的回归效果,其精度优于基线模型LSTM、BiLSTM和GRU。然而,超参数的选取往往对精度有着较大影响,现有的模型往往采用手动选取超参数的策略,极大的浪费了时间成本。因此,本文提出了基于贝叶斯优化算法（Bayesian Optimization,BO）的超参数自动寻优方法,对多层BiLSTM-GRU、LSTM、BiLSTM和GRU进行优化,分别构建了BO-BiLSTM-GRU、BO-LSTM、BO-BiLSTM和BO-GRU模型,节约了超参数的选择成本,同时提高了模型精度。实验证明,优化后的模型相较于优化前均取得较高的精度提升,且本文提出的BO-BiLSTM-GRU模型优于BO-LSTM、BO-BiLSTM、BO-GRU、Conv LSTM、Conv GRU和M-Conv LSTM。在数据表征完备的基础上,从时序特征表征不完备切入,对海洋温度在时间分布上的规律性特征进行提取和分析,本文提出了基于时序特征构建与一维卷积神经网络（1D-CNN）的温度预测方法,首先对连续的海洋温度时间序列进行构建,并在选取的8个不同的深度样本上对时序特征系数进行了选取,然后利用1D-CNN进行时序特征分解与提取,并对温度进行预测,最终将预测精度与基线模型进行比较。实验证明,在8个不同深度的样本数据上,其中有6个深度样本,1D-CNN优于模型BiLSTM、LSTM、GRU、BP、KNN。然而,单个1D-CNN模型常常只在某方面学习和预测效果良好,因此,本文将1D-CNN与集成学习Adaboost模型相结合,提出了1D-CNN-Adaboost模型,该方法将1D-CNN作为弱学习器训练,通过多个弱学习器,最终构成强学习器,使得模型在整体效果上均表现良好,提升了1D-CNN的学习能力和预测效果。实验证明,1D-CNNAdaboost模型在8个样本深度上均优于1D-CNN模型,验证了Adaboost模型对提高1D-CNN模型预测精度具有有效性。