在磁暴恢复相期间,地球同步轨道处能量大于2Me V的高能电子通量通常会有急剧的升高,这种现象被称为高能电子通量增强事件。高能电子具有极强的穿透性,因此对在同步轨道运行的卫星而言,这类事件的发生将会构成致命的威胁。在本文中,我们将深度学习方法中的长短时记忆网络(Long short-term memory)应用到了同步轨道高能电子通量的预报建模中。该模型使用预报日之前连续五天的历史数据作为输入,实现了对高能电子积分通量提前一天的预报。研究中构造了两类预报模型,一类是基于高能电子日积分通量的预报模型,另一类则是基于高能电子小时积分通量的预报模型。在第一类模型中,我们使用了GOES-8,GOES-10,GOES-11和GOES-13四颗卫星观测的高能电子通量数据,选取的样本时间跨度为1999年1月1日至2016年12月31日。其中,将1999年至2007年和2011年至2016年的数据集划分为训练样本,而将2008年至2010年的数据集划分为测试样本。除了将传统的参量,包括太阳风速度和地磁指数,作为模型的输入外,我们还首次将磁层顶日下点距离这一参数作为模型的驱动因子。结果发现,在不同的样本集构造的模型中,当输入因子由高能电子日积分通量,磁层顶日下点距离日均值,以及地磁Kp指数的日求和值共同组成时,模型对2008,2009和2010年测试样本的预报效率分别可以达到较高的0.833,0.896和0.911,线性相关系数则分别对应为0.921,0.948和0.955。在第二类模型中,由于不同GOES卫星会存在地方时的差异,我们只选择了GOES-11卫星观测到的高能电子通量数据,选取的样本时间跨度为2003年6月19日至2010年4月13日。其中,将2008年作为测试样本,其余的均被划分为训练样本使用。通过构造不同的样本集,发现当输入因子为高能电子小时积分通量,磁层顶日下点距离小时均值,以及地磁Kp指数的日求和值时,模型对2008年测试样本的预报效率和对应的线性相关系数分别可以达到0.900和0.950。作为对比,持续预报模型和27阶自回归模型在2008年的预报效率则分别为0.679和0.743。通过与持续模型、自回归模型以及相应时段以往几个模型的预报结果作比较,可以发现我们方法可以明显改善对应时间段的预报效果。同时,基于高能电子小时积分通量的预报模型结果也表明,与基于日积分通量的模型相比较,在采用相同种类的参数建模时,高分辨的数据通常能进一步提升模型的预报效果。