电离层是地球空间的一个重要区域,向上与磁层耦合,向下受低层大气的影响。电离层还受到太阳活动和地磁活动的影响,因此电离层具有非常复杂的时空变化。电离层中有许多带电粒子,它们会严重干扰无线电波在电离层中的传播。电离层总电子含量（Total Electron Content,TEC）是电离层的一个重要物理参数,能够表征电离层的结构变化和时空特征变化。TEC越大,无线电波通过它的延迟就越大。因此,对电离层TEC的监测和预测在无线通讯、卫星定位和导航等领域有着重要的研究意义。为了准确预测电离层的TEC数据,本文使用机器学习模型对TEC数据进行建模分析,具体研究内容如下:（1）针对电离层TEC数据非平稳性的特点,本文提出一套规范的TEC数据预处理流程对其进行检验,并且设计了一种可避免重复计算TEC数据特征的划分方法,根据输入滑动窗口的大小和预测未来TEC的个数自动划分TEC数据集。（2）针对电离层TEC受其他因素干扰所呈现的时空变化特征,本文提出一种基于混合注意力机制的卷积长短期记忆神经网络模型（Blended attention mechanism of Convolutional Neural Networks and long short-term memory,BACNN-LSTM）,该模型将CNN与LSTM模型进行混合能够分别提取电离层TEC数据的空间特征和时间特征,并且分别在CNN（Convolutional Neural Network）模块和LSTM（Long Short Term Memory）模块加入卷积注意力模块（Convolutional Block Attention Module,CBAM）注意力机制和加性注意力机制,能够调整各个TEC数据特征的权值,以实现对重要特征的关注。为了验证BACNN-LSTM模型的预测性能,本文以中国八个地区的TEC历史数据作为研究对象,用前7天的TEC数据训练建模,对后1天的TEC数据进行预测。将BACNN-LSTM模型分别与MA-LSTM（Multiple Attention Long Short Term Memory）、LSTM-CNN、CNN-LSTM-Attention三个电离层TEC预测模型的预测结果进行对比。实验结果表明,在不同地区和不同季节的TEC预测实验中,BACNN-LSTM模型的预测性能均优于其他三个模型;并且在夏季预测性能最好,其均方根误差、拟合系数、平均绝对百分比误差为最优,分别为0.2454TECU、0.9981、0.0137;在不同地磁环境的TEC预测实验中,BACNN-LSTM模型在磁静期和磁暴期的预测性能相差很小。综上所述,在电离层TEC预测模型中加入CBAM注意力机制和加性注意力机制可以有效提高提高模型对TEC的预测性能。