等离子体对流是高纬电离层中的重要特征,其中蕴含着太阳风向磁层-电离层系统能量传输的一系列重要信息。研究电离层等离子体对流在时间和空间上的演化规律,对我们深入理解磁层-电离层耦合机制,以及后续空间天气的建模与预测具有重要意义。本文基于多种深度学习相关算法对Super DARN雷达网探测到的北半球高时空分辨率的电离层对流数据进行建模,构建出了高纬电离层等离子体对流图预测模型,并采用独立时间段的测试数据集,基于雷达实测值与模型预测值之间的结构相似度（SSIM）、均方根误差（RMSE）、平均绝对误差（MAE）和线性相关系数（LC）共四个评价指标,对各个模型的性能进行了分析与评估。结果表明,时空序列模型整体表现较优,且其中的ED-Conv LSTM性能表现最好,预测对流图像与雷达实测图像最为接近。过去的研究主要是利用深度学习算法对电离层对流的某个参数进行建模与预测,而本文则是首次对对流图像进行建模与预测,这为今后电离层对流的研究提供了一个崭新的思路。此外,本文也利用构建好的电离层对流图模型对电离层对流中的越极盖电势（CPCP）、越极盖电场（CPCP）以及涡旋间距三个重要参数进行了预测,并基于均方根误差RMSE、平均绝对误差MAE和统计分布情况对结果进行了评估。结果表明,各个模型的效果都很出色,其中的时空序列模型ED-Conv LSTM的综合性能依旧最好的。以往的研究往往会构建不同的模型去预测与之对应的参数,而本文的模型更具通用性,可以同时对多个对流参数进行预测。最后,本文还探讨了预测间隔对模型性能的影响,根据时间构建了2分钟、10分钟、30分钟和60分钟的预测模型。结果表明,随着预测间隔的增加,模型的性能会逐渐下降,且不同模型下降的速度也有所差异,带有编码器和解码器结构的时空序列模型ED-Conv LSTM的整体表现最好,性能下降速度最慢,体现了其在电离层对流建模中的可靠性。综上,本文不仅证明了深度学习技术在电离层对流建模中的有效性,同时也证明了多种深度学习模型中时空序列模型的高准确性和可靠性。