近海面气温是一个非常重要,却难以获得的气象要素。由于海气要素之间存在着一定的相关性,因此可以利用方便获取的海气要素,通过反演的手段实现近海面气温的获取。近年来,作为人工智能领域的研究热点,深度学习在许多方面都有着突破性的进展,同时,也给大气海洋的研究带来了很多机遇。本课题针对近海面气温反演这一问题,利用深度学习的方法建立反演模型,将海表水温、海面风速、海面气压作为输入量,从而反演得到相对精确的近海面气温。第一,在分析近海面气温反演技术和深度学习发展现状的基础上,针对近海面气温反演的相关理论基础进行了研究,重点分析了人工神经网络的基本原理,以及深度神经网络的结构、训练方法和执行步骤,并对反演的原理和常用手段进行了总结。第二,分析常用海洋大气观测资料的特点,在此基础之上,选择适用于本课题选用的全球综合海洋大气数据集,并针对实验区域的数据进行筛查、质量控制、归一化等预处理。接着,分析了海洋大气数据的相关性,并通过实验得出了近海面气温与海表温度、海面风速、海面气压的相关系数,为反演模型的建立打下了基础。第三,基于全连接神经网络、循环神经网络以及长短期记忆神经网络的结构及性能特点,结合近海面气温与海表温度、海面风速、海面气压的相关性,设计了三种近海面气温反演模型,根据三种模型的特点选择了不同的训练算法,并针对不同方法的缺陷进行了优化设计。第四,基于全球综合海洋大气数据集,对本课题设计的三种近海面气温反演方法进行验证,实验结果证明,本课题设计的三种近海面气温反演方法能够很好地实现近海面气温反演,且效果好于传统的基于多元线性回归和浅层神经网络的近海面气温反演方法,其中,基于长短期记忆神经网络和截断式时间相关反向传播算法的近海面气温反演方法的效果最好。本课题设计的基于深度学习的近海面气温反演方法,为近海面气温数据获取提出了新的解决方案,也对深度学习在大气海洋领域的应用进行了创新与扩展。