总电子含量(TEC)变化指数(ROTI)可以作为电离层闪烁的有效指标,特别是在低纬度和高纬度地区。准确预测ROTI对减少电离层闪烁对地球观测系统(如全球导航卫星系统)的影响至关重要;然而,由于电离层的复杂性,现有的方法很难对ROTI进行高精度的预测。所以需要对电离层闪烁进行进一步的研究,以期实现电离层闪烁的高精度预测。本文在分析了北半球高纬度地区电离层闪烁的时空特性之后,研究了深度学习方法预测北半球高纬度加拿大地区ROTI的可能性,包括:单站预测和区域多站预测两种模式。通过大数据驱动方法对有着周期性变化的电离层闪烁进行建模和预测。实验结果表明,深度学习方法长短期记忆网络(Long Short-Term Memory Network,LSTM)对北半球高纬度单站的ROTI指数进行半小时内的短期预报,准确率均为90%以上,总技能得分(Total Skill Score,TSS)指数在0.17以上。其中,预测未来5分钟的闪烁准确率达94%以上,TSS指数在0.5以上。LSTM模型在太阳活动高发、地磁暴期间同样具有较好的预测能力。深度学习方法人工神经网络(Artificial Neural Network,ANN)对北半球高纬度区域多站ROTI建模,内符合精度为0.08TECU/min,准确率在94%以上,TSS指数均在0.5以上;外符合精度为0.119TECU/min,TSS指数在0.36以上,准确率能够在90%以上,ANN模型对高纬度电离层闪烁预测具有较好的效果。本文的相关研究对于探索深度学习方法应用于解决电离层ROTI预报难题具有重要的参考价值和指导意义。