近些年来,由于陆地资源的不断枯竭,海洋内丰富的资源以及复杂的环境已经成为各个国家研究的重点,其中海洋温跃层从战略上来说是非常重要的研究方向。随着技术的不断进步,科技的不断发展,研究人员终于可以通过硬件设施对海水内的信息进行记录和研究,但由于海洋过于庞大,并且海水会对水下的硬件设施造成腐蚀,每一次研究都投入新的设施的成本过于高昂,也是不切合实际的,所以利用最新的互联网技术以及机器学习等技术对海洋数据进行研究是势在必行的。在当今深度学习广泛应用的背景下,神经网络的使用已经深入到了各个领域,以其为基础设计开发的神经网络也被大量的应用于各类研发当中,其中残差网络以其优越的性能成为研发人员使用的重点。本文实验数据源我们选择WOA13(世界海洋地图集2013)海洋数据,然后我们对全球海洋数据进行了预处理,将其划分为23940个海洋区域,并按照是否含有温跃层进行了标注,将其以2:1的比例划分为训练集和测试集。本文首先通过使用多种神经网络对WOA13海洋三维数据进行了二分类实验(根据是否含有温跃层分类),其中包括Alex Net、Goog Le Net、VGGNet-16以及Res Net-18网络结构,根据实验结果我们发现Res Net-18网络结构对于处理WOA13海洋三维数据的分类问题的性能是最好的,所以我们将选取残差网络作为我们二分类实验的主要网络模型。而后本文提出使用改进的残差网络对WOA13世界海洋地图集海洋区域数据进行分类。首先我们对超参数的使用进行了多组实验,以保证选取最优的超参数来提升网络性能,然后我们对残差单元进行了改进,增加了Dropout保留层以防止过拟合,最终我们使用改进的Res Net-26、改进的Res Net-50、改进的Res Net-101以及经典的Res Net-50、经典的Res Net-101分别对8月份WOA13海洋区域数据进行了分类实验,并对比了实验结果,我们发现改进的Res Net-26的网络性能是最优的,数据分类的精准度是最高的,准确率达到95%以上。并且我们又使用了2月份、5月份以及11月份WOA13的海洋数据进行实验,以排除实验数据造成的实验结果的偶然性,其结果再次证明了改进的Res Net-26网络模型对于WOA13海洋区域数据分类是有效的。