海洋热含量（Ocean Heat Content,OHC）是理解地球气候的重要指标,是海洋储热的重要表达形式和直接反应。由温室气体导致的地球能量不守恒（Earth’s Energy Imbalance,EEI）在海洋中的垂向分布对理解海洋气候系统具有重大的意义。只有充分的了解海洋热量的分布以及再分配过程,才能更好地认识和预测未来气候变化。然而,海洋内部缺乏实测数据限制了对全球海洋内部变异的研究,例如对于1998-2013年发生的全球增暖停滞（hiatus）现象的研究就突出了这一不足。因此发展和构建长时序、全覆盖的海洋内部热含量数据对海洋动力和气候变化的研究具有重要意义。本研究采用卫星遥感数据（海表高度、海表温度和海表风场）、时空信息（时间、经度、纬度）结合2005年以后的Argo（Array for Real-time Geostrophic Oceanography）浮标格点数据,利用优化的人工神经网络模型反演不同深度范围（表层至300 m、700 m、1500 m、2000 m四个深度范围）的全球海洋热含量信息,重建1993-2019年全球海洋热含量数据。此外,利用第六次国际耦合模式比较计划（Commentary on the Coupled Model Intercomparison Project Phase 6,CMIP6）的模式数据重建1850-2100年长时序海洋热含量数据集,用于海洋历史和未来暖化趋势分析。基于以上方法,重建形成一套全新的遥感海洋热含量数据产品,称之为海洋映射和扩展神经网络（Ocean Projection and Extension neural Network,OPEN）数据集。本文的主要研究内容与成果如下:（1）海洋热含量遥感反演模型构建与优化。深海遥感模型主要优化输入参数和网络结构。通过分析不同数据源敏感性,测试不同海表参量的重要性,选取输入数据的最佳时间范围,从而完成输入参数优化。研究表明卫星数据源比Argo（Array for Real-Time Geostrophic Oceanography）数据更适合作为输入参数,海面高度和海表温度对构建模型最为重要,其次为海表风场,最后为海表盐度;经纬度信息以及时间信息可以有效提高模型精度,大约能够提高10%。输入参数时间优化依次从年际、年代际时间尺度选取,以模型泛化能力为依据,结果表明9年训练数据最佳。网络优化主要以网络结构、神经元数以及激活函数三个方面,以长时序线性趋势作为精度指标,最终优化结果以隐藏层为3、神经元为40。（2）1993-2019年全球海洋热含量时序遥感反演。利用前述最优深海遥感模型,反演1993-2015不同深度的OHC数据。将回填数据与EN4/IAP等基于实测数据插值的全球热含量数据进行比较,决定系数最低为0.95,相对均方根误差小于0.2。进而,为了估计人工神经网络方法和数据子集带来的不确定性,选取不同的训练时间窗口,如2005-2013年,2006-2014年,……,2010-2018年,定义六个不同的训练子集;以六个子集的3倍标准差作为OHC时序后报的不确定性。分析OPEN与其他OHC数据在全球及各大洋盆的线性趋势以及空间形态发现,OPEN更接近实测数据,在空间形态分布上与Argo数据更为接近。OPEN数据在1993-2010和1998-2015时期的增暖趋势证实了全球增暖停滞可能更加偏向海洋热量的再分配而不是真正的增暖减缓。（3）基于CMIP6的历史海洋热含量重建及海洋暖化趋势预测。本研究利用CMIP6中的历史模式数据代替卫星数据反演长时序1850-2100年OHC趋势。首先利用CMIP6中的模式数据代替卫星数据重现1993-2014 OHC变化趋势,结果表明模式数据代替卫星数据反演OHC的可行性。其次利用模式数据重建1850-2014 OHC数据,为研究历史海洋暖化规律提供数据支撑。最后,预估2015-2100年海洋暖化形势,分析全球气候变化趋势。因此,OPEN数据产品可以为全球气候变化研究提供重要的数据补充。