海面温度（Sea Surface Temperature,SST）与全球气候变化、海洋灾害、海洋生态系统密切相关,因此准确的预测海面温度是一个具有重要意义的课题。随着海洋监测技术的不断进步,海面温度等海洋环境要素数据被大量采集,数据驱动的海面温度时间序列预测方法逐渐显现出了其良好的效果。但现有的数据驱动方法忽略了海面温度与气温、风速等其它海洋环境要素之间的关联关系,限制了精度的提高。为了有效捕获不同的海洋环境要素对海面温度的影响,本文提出了一种基于双注意力机制的序列到序列网络（TMA-Seq2seq）,通过要素注意力机制和时间注意力机制提取要素相关性和时间相关性,分别对南海、东海、渤海的海面温度进行了预测。此外,海面温度还具有多尺度的时空特征,在时间维度上不同时间点和空间维度上的不同点之间具有显著的相关性,而现在的方法未能综合考虑不同的时空特征对海面温度影响的不均衡性,因此本文还提出了一种基于残差时空注意力机制的编解码器网络（CRA-Conv LSTM）,通过提取时空特征并赋予其不同的影响权重,对区域型海面温度进行了预测。论文的主要研究内容如下:（1）使用单站点监测的海洋多环境要素数据,提出了一种基于双注意力机制的序列到序列的网络（TMA-Seq2seq）用于海面温度预测。首先设计要素注意力模块,自适应学习不同要素对海面温度的影响,利用LSTM编码器提取加权特征作为特征表示。然后构建了时间注意力模块,自适应选择编码器所有时间步长的隐藏状态,以学习更鲁棒的时间关系。最后将加权特征与原始输入特征拼接后的特征向量作为解码器的输入,通过全连接层将输出映射为最终的海面温度预测结果。通过两个注意力模块,模型不仅提取了要素相关性,还提高了海面温度的长期依赖性,有效地提高了海面温度的预测精度。在中国沿海站点（CCS）数据集上的大量实验表明,该模型的预测精度（Prediction Accuracy,PACC）达到98.29%,均方根误差（Root Mean Square Error,RMSE）达到0.34,均优于其他方法。且在中国东部、南部和黄海的SST预测实验表明,该模型具有较强的鲁棒性和多站点适用性。（2）使用区域型SST数据,提出了一种基于残差时空注意力机制的编解码器网络（CRA-Conv LSTM）,使得模型动态关注不同时刻的时间特征和区域内不同点的空间特征,赋予不同的影响权重,进而提高海面温度预测精度。具体来说,首先将输入的区域SST时间序列通过卷积神经网络（Convolutional Neural Network,CNN）编码为多层特征向量,提取局部特征;然后构建了残差时间注意力模块,自适应地学习不同时刻的注意力权重,提取时间维度上的关键特征;设计了残差空间注意力模块,提取区域内不同点在空间维度上的关键特征;此外,还将注意力机制与残差结构相结合避免了网络中信息量过少导致的性能下降问题;最后通过卷积长短时记忆网络（Convolution LSTM,Conv LSTM）将特征向量映射为海面温度。实验结果显示,所提出模型的RMSE和PACC分别达到了0.19和99.43%,均优于其他方法,有效提高了SST的预测精度。