随着通信技术的进步和信息时代的来临,通信和导航已经成为了人们生活中不可或缺的一部分。而在强烈的磁暴期间,电离层结构通常会发生巨大变化,这将严重影响无线电通信和卫星导航系统。电离层TEC(电子总含量)能很好的反映电离层的行为和状态。为了监测电离层在极端的空间天气条件下的扰动和不良影响,进行准确的电离层TEC预测至关重要。但是,磁暴时期的电离层预测一直是一个挑战,因为电离层的行为随不同的磁暴而变化很大,纯物理方法常常无法获得令人满意的结果。而随着深度学习的算法不断的改进,深度学习模型已经广泛应用于时序预测研究,因此为了比较深度学习模型和其他模型对电离层TEC的预测效果,并且找到一种有效的预测磁暴时期电离层TEC的方法,本文的主要研究工作如下。本文筛选了从2001年到2016年的MIT TEC磁暴事件,研究了使用一种传统的统计学时序预测方法(SARIMA)和两种深度学习算法(LSTM和Seq2Seq)在不同磁暴条件下对发生磁暴时的电离层TEC进行预测,并进行了多事件的统计误差比较及相关性分析。结果表明,LSTM可以达到最佳的预测准确性(超过70%的准确性),并且对于强磁暴的准确趋势预测具有鲁棒性。相比之下,SARIMA和Seq2Seq的性能相对较差,对强磁暴的预测准确度分别为58.18%和45.45%。此外,为了监测更多地区的电离层行为,我们提出了相关的扩展研究和探讨,使用LSTM模型和LSTM-DCGAN混合模型对全球TEC map进行短期预测,将它们各自得到的预测结果与真实的TEC map进行对比,结果发现使用LSTM-DCGAN混合模型的预测精度比LSTM模型更高。