电离层通过影响电波传播给人类活动带来诸多不便,相关研究十分丰富。电离层电子浓度总含量(Total Electron Content,TEC)作为研究电离层形态和结构的重要参量,是日地空间物理领域的重要研究课题。由于目前电离层TEC数据的获取在时效性上不能完全满足人类需求,而电离层TEC预测模型可以对未来TEC值进行预测,可应用于导航、通讯等多种领域,在电离层TEC研究中有重要意义。对于电离层TEC格点值预测,现有的根据历史数据进行预测的经验模型主要基于自回归滑动平均模型(ARMA)等传统方法或神经网络方法,模型预测精度仍有欠缺,且未进行模型适应性分析。针对以上问题,本文引入近年来快速发展的深度学习方法,利用历史TEC、太阳活动指数和地磁活动指数设计参数组合实验,得到最优参数组合作为模型输入,提出一种基于门限控制单元(Gate Recurrent Unit,GRU)深度学习网络的电离层TEC格点预测模型。在全球60个网格点进行未来24小时的TEC预测实验,结果表明:本文的TEC格点预测模型在北半球适应性比南半球更好,且中低纬网格点的适应性优于高纬网格点;预测模型在磁扰动期的平均相对精度的均值比磁平静期略高;相比基于递归神经网络(Recursive Neural Network,RNN)、长短时记忆网络(Long Short Time Memory,LSTM)和双向长短时记忆网络(Bi-LSTM)的电离层TEC单点预测模型,本文的预测模型均方根误差(RMSE)平均降低了19.2%。本文进一步将所提出的预测模型应用于震前电离层TEC异常探测中,利用模型预测的TEC构建震前TEC异常探测背景值,对2017年8月8日九寨沟地震震前电离层TEC异常值进行提取实验。结果表明:基于本文模型预测出的TEC背景值,能实现震中附近网格点TEC异常值的有效探测。与滑动四分位法的异常探测结果对比,证明了该方法能更早的发现震前TEC负异常,且更易发现正异常。本文工作为利用深度学习技术构建精度更高、适应性更好的电离层TEC格点预测模型提供了技术积累,并在预测模型应用于震前TEC异常探测方面提供了有益尝试。