海洋与人类的生存和可持续发展息息相关。一方面,海洋有着丰富的各种能源,包括生物资源,能源资源,旅游资源;另一方面当前海洋也存在诸多问题与潜在风险,包括海洋环境污染,气候变暖,海洋生物多样化减少,海平面上升等与我们人类密切相关的亟需我们解决的共同难题。而海洋温度这一指标的变化情况,可以说是海洋健康状况的晴雨表,通过对海洋温度的预测以及历史海洋温度数据的补全,可以让我们对整个海洋的气候特征,变化规律,发展趋势有进一步的了解,对海洋气象学,海洋渔业,海洋环境,海洋生物信息等学科有着重要意义。本文基于全球海洋Argo(Array for Real-time Geostrophic Oceanography)散点资料集(V3.0)中的温盐深数据集,从中选取了2008年-2018年11年的数据,对海洋表层水温的变化趋势进行分析和研究。本文选取了包括传统时间序列预测模型ARIMA(Autoregressive Integrated Moving Average model)、长短时记忆神经网络模型LSTM(Long Short Term Memory)、LSTM模型的变体GRU(Gated Recurrent Unit)对海洋时序数据中的温度进行预测。结合上述三种模型对温度数据的预测,进行比较分析,同时为了提高模型预测的精度和准确率,本文提出了一种LSTM-GRU联合多层神经网络模型。该模型在在海洋时序数据温度的预测上,取得了较好的效果。本文提出的LSTM-GRU联合多层神经网络,考虑了自相关性,并且引入了季节因素以及周期因素来预测海洋时序数据温度。并且根据缺失数据前后相关有效数据的长度,提出了一种基于LSTM-GRU联合多层神经网络的改进算法,实现了对长时间缺失数据的补全,也同样取得了较好效果。相较于传统的ARIMA,不仅考虑了时间因素,还考虑了与之相关的盐度,深度信息对温度预测的影响,相较于单一的LSTM或是单一的GRU模型,在预测精度上和训练速度上取得了折中,并且该模型经过Argo数据集的验证,对不同纬度区间范围的海洋温度数据的预测都十分有效。除此之外,该模型不仅可以应用到海洋水温的预测,还可以应用到时间序列的多个方面,包括对argo数据中的盐度,碳含量,溶解氧,硝酸盐含量等数据,也可使用LSTM-GRU联合多层神经网络对相应数据进行预测。