大数据背景下,遥感卫星数据的获取难度正不断降低,这种数据开放在进行大面积和难以测量环境的检测识别时提供了巨大便利。海冰的动态变化是影响海洋尤其是极区海洋反照率的关键因素,更是全球热量交换系统的重要组成部分。大量研究表明,海洋与气候特征之间存在显著的相互作用,准确获取北极海冰的动态变化规律,对全球气候变化预测具有重要作用。近年来,依托愈发充足的数据、不断优化的硬件设备与层出不穷的算法模型,深度学习方法蓬勃发展,逐渐渗透到各行各业的实际应用中。本文以深度学习方法为基础,首先分析了海冰密集度数据集在不同情形下的预测可用性,基于评估结果开展了长短期记忆网络(Long Short-Term Memory,LSTM)在海冰面积预测领域的相关研究。最后基于神经网络相关知识,对模型进行相应改进和优化,提出了适用于多变量海冰面积时间序列预测的深度学习方法。论文的主要研究工作如下:(1)对NSIDC、SICCI和BLM三种海冰密集度数据集进行对比分析,按照纬度、密集度、北极航道航段分情况评估不同数据集的适用性,为实现不同预测目标(如长时间预测或具体区域预测)的北极海冰面积变化趋势提供数据选择依据。(2)采用LSTM及其几种变体的深度学习模型训练得到了北极海冰面积预测模型。该类模型的预测结果较传统的时间序列模型的预测结果精度有较大提高,这也证实了深度神经网络模型在海冰面积预测方面具有优势。(3)使用不同时间长度的海冰面积时间序列作为训练数据集,采用LSTMs模型的多步预测方法,分别实现了海冰面积的短期预测与长期预测,进而给出几种模型在不同预测长度下的预测准确率及适用情形。(4)以海冰密集度、海表面温度、海面风速等多种因素为数据源,进一步探讨了两种海冰面积预测模型。一种基于卷积神经网络提取数据特征,应用LSTM模型拟合历史信息;另一种则通过引入注意力机制提取显著细粒度特征,便于LSTM更有效的捕捉时间依赖性。实验结果表明改进后的两种模型的预测结果比原始网络的预测结果得到了明显改善。