本文基于Argo数据以及世界海洋地图集的数据,从海水温度这一特征入手,对温跃层进行分析和研究。首先,使用基于KNN回归的数据预测方法,选取最适合所研究海洋数据的参数进行精细化模型构造,利用得到的回归预测模型,对BOA_Argo数据中的温度、盐度数据进行精细化,将原有的水平分辨率为1°×1°、垂直方向从海表面到水下1975米的范围内不均匀的58层的数据精细化为水平方向1°×1°间隔、垂直梯度为1m间隔的数据,得到了比数据精细化之前更多的温跃层,说明数据的粒度过大会使得一些厚度在5m左右、或者5m以内的“临界厚度”跃层无法被挑选出来,因此数据精细化对于本文所述温跃层的研究十分重要。本文使用熵值法、决策树、随机森林等方法对温跃层进行研究分析,提出了一种新的温跃层判断标准——得分。这种按照得分选取温跃层的方法,使得我们不仅可以定量的分析温跃层,确定哪些样本构成了温跃层,而且可以定性的分析温跃层,分析哪些样本所形成的温跃层更好。与传统的温跃层选取原则——“从强选取”相比,本文所提出的得分评判标准综合考虑了更多的特征要素值,要更加全面,也更精确。“从强选取”的原则是从温跃层强度的定义式出发,考虑跃层的温度、深度、温度差和深度差。但是跃层的形成还与其他的一些因素有关,这种方法没能将其他因素考虑在内,具有一定程度上的局限性。基于“熵值法”的按照得分选取温跃层的方法弥补了“从强选取”原则只考虑强度而忽略了其他特征对于跃层影响的缺陷,使得得出的结果更为客观。为了确保传统的跃层选取方法与新提出的选取方法在选取结果上的一致性,本文建立了从强度到得分的一一映射关系。得到了从强度到得分的映射关系后,我们不仅可以定量分析温跃层,而且可以定性的分析温跃层。本方法的适用性已经过BOA_Argo数据验证。