本文基于《全球海洋Argo网格数据集(BOA-Argo)》,从经验声速公式入手,获取影响海洋声速的主要特征,即海洋温度、盐度以及深度指标。水声通信技术利用声波在水下进行信号传播,是目前常用的实现水下远距离传输的通信方式。更精确的声速值对水下目标定位及水下网络协议设计中往返时延的估计有重要意义。考虑到水下环境的分层结构,声音在海洋中的传播速度随着环境的变化而变化,为了对海洋声速剖面做到空间以及时间上的准确预测,本文主要开展了以下研究。首先考虑BOA_Argo中数据在空间的分布密度问题,尤其在垂直方向上,数据样本间距随深度增加不断加大,所以本文提出了一种基于人工神经网络模型的数据高空间分辨率处理方案。在该方案中,将对多时间跨度数据进行统一处理,通过与单一时间尺度数据单独处理进行对比,在回归评价指标上前者与后者处于同一水平,但效率得到较大提升。在与其他模型包括KNN回归、岭归回以及决策树的对比中,基于人工神经网络的处理方案明显更胜一筹。进而得到高空间分辨率温盐数据及空间上更加平滑的声速剖面。在高空间分辨率数据集基础之上,本文提出了基于ConvLSTM循环神经网络的声速剖面预测方法。基于温盐数据的预测方案,实验表明预测值与真实值误差较先前研究有所减少,两次实验平均声速误差为0.47m/s和0.62m/s。考虑到效率以及空间区域问题,本文提出一种基于时间以及空间信息的声速剖面预测方案,实验结果表明该方案在时间和空间的泛化能力上均表现良好,经多次实验,平均声速误差均不高于0.68m/s,可有效进行多点声速剖面预测。