大气温度预测作为人们日常生活中重要的预测信息服务,它对人们的生产和生活具有重大的指导作用。如今在大数据时代来临之际,大数据这一概念被越来越多的人们熟知和认可,计算机技术的发展也为气象预测提供了坚实的技术保障,在这一背景下,气象资料指数增长式累积,使得对气象资料的应用与处理变得越来越精确。国内外对于气象预测也逐步趋向精细化,国内相较于国外来说在该方面相对滞后,如何提高预测精度水平,已成为相关领域研究者的热门话题。大气温度数据是一个复杂的非线性系统,容易受到气压、降水量、地表温度等因素的影响,为了充分利用大气温度时序性特点,本论文在卷积神经网络（CNN）模型和双向长短期记忆神经网络（Bi LSTM）模型构建的基础上,融入注意力机制,以此建立三者的混合模型,对大气温度预测做了细致的研究,主要内容包含以下几个方面:1、以中国气象数据网中合肥市（站号58321）为实验数据,对于原始数据中存在数据缺失、重复等问题,根据大气温度数据正态分布且在短时间内不会出现明显变化的特点,采用3原则对数据进行预处理和异常值监测,并采用python语言对这些问题进行处理并整合存储,以获得可以进行实验的数据。2、使用BP神经网络、LSTM神经网络和RNN神经网络模型对大气温度进行预测,得到不同模型的预测曲线拟合图以及相应的误差指标数据。实验结果表明,上述三个模型可以很好地对大气温度序列数据进行预测,精度方面均表现良好,但依然存在气温波动较大的时段预测效果误差较大的情况,说明单一神经网络模型在精确度上还是有所缺陷。3、为进一步提高预测精度,本文提出了一种基于卷积神经网络（CNN）和双向长短期记忆神经网络结合（Bi LSTM）的方法,通过捕获向前和向后序列数据中的信息,并融入注意力机制,对输入数据进行权重分配提高输入信息有效利用率。实验结果表明CNN-Bi LSTM-Attention融合神经网络具有更好的时空特征提取能力和关注更重要信息的特征,预测精度和准确性较效果较好单一神经网络在相对误差上下降了10%左右,决定系数提升了3%左右,为进一步验证混合模型的实用性,对训练数据长度的影响进行了分析,设置不同长度训练集,通过对比分析,验证了本文提出的混合神经网络模型对不同训练数据长度敏感性更强,且在预测质量和误差指标方面,均较单一神经网络模型具有很大提升,因此将其应用在大气温度预测上具有明显优势和更好的客观性。