海流变化对人类生产活动和海洋生物有着很大的影响,所以认识海流变化对航海、发电和鱼群分布研究等有着极其重要的意义。海流变化对全球气候调节也有着很重要的影响。南大洋是全球海洋的重要组成部分,南大洋的变化对于我们认识全球气候变化十分重要。并且,研究南半球海流能够帮助研究者更好地了解全球海流变化情况。由于南北半球海流相互作用,了解并预测南半球海流变化有助于对北半球海流的研究。海流变化主要是通过海流流速体现。海洋大数据数量庞大,存在很多缺失值,并且海洋大数据多是非结构化或者半结构化的数据,数据之间关系复杂。随着神经网络的发展和计算机技术水平的提高,海洋数据规模庞大,传统的海洋预测方法难以很好地描述海流流速的变化。神经网络模型可以以历史数据为驱动,通过多层网络的学习提取数据中的关系和信息,能够有效的提高预测的能力和精度。目前很少有学者将神经网络模型应用到海流流速的预测上。如何将神经网络模型技术成功应用于海流预报问题,提高海流预测的精度已经成为了亟待解决的问题。本文根据海流流速变化的特点,将两种神经网络模型组合进行预测,本文的主要工作如下:（1）海流流速的缺失值填充。本文选择了2004年1月～2015年12月12年南太平洋区域的流速数据进行研究。海域的经度范围是135°W-110°E,纬度范围是5°S-40°S,数据采集的是月平均值,空间分辨率为1°×1°,特征包括经度、纬度、深度和流速。首先将数据进行缺失值的填补,本文分别建立了支持向量回归机和K近邻算法对缺失值进行填充。支持向量机中比较重要的参数C值和gamma值是通过10折交叉验证网格搜索最优参数,K近邻算法也是通过10折交叉验证寻找的最优K值。通过对比两种算法训练的结果以及训练时间,选择K近邻算法更适合本文的南太平洋海流流速的缺失值填充。（2）海流流速的预测。首先将数据进行缺失值的填充后再归一化预处理,再将数据分为训练集、验证集和测试集,建立了BP、LSTM模型和LSTM-BP组合模型。其中将2004-2014年数据用于训练模型,并使用2015年的数据作为测试集对模型预报准确率进行验证。结果显示,组合模型的损失值小于单个模型损失值。通过对比每个月的预测结果,LSTM-BP模型优于BP、LSTM单个模型。实验表明,LSTM-BP适用于南太平洋海流的预测,为海流的预测提供了一种新的方法。时间序列法和神经网络预报法是利用已有的观测数据为样本进行预测,并且预测效果较理想。时间序列模型能够挖掘数据的时间变化规律,而神经网络具有非线性的结构特性,可用来模拟空间分布特征。本文利用LSTM时间序列预测模型与BP神经网络模型的优点,构建了LSTM-BP神经网络组合模型对南太平洋海流流速进行时间序列预测。通过与BP和LSTM单个模型对比和分析,LSTMBP组合模型预测效果更好。