海洋次表层的热力结构对于海洋环流和全球气候变化具有重要的意义,然而提高其反演精度仍是一个巨大挑战。近年来,随着遥感技术和Argo计划的不断发展,卫星遥感数据和现场观测数据越来越丰富,海洋科学迎来大数据时代,基于多源海洋数据,利用人工智能方法反演海洋次表层的热力结构成为海洋学的一个热点问题。目前,学者们在该领域的研究成果仍相对不足,且已有的反演模型存在类型单一、反演精度有待提高等问题。基于此,融合多种机器学习方法开展海洋次表层温度的反演研究具有重要理论意义和实际应用价值。本文提出一种新的融合高斯混合模型（Gaussion mixture model,GMM）和轻量级梯度提升机（light gradient boosting Machine,LightGBM）算法的海洋次表层温度（ocean subsurface temperature,OST）反演模型,利用海表温度（sea surface temperature,SST）、海表盐度（sea surface salinity,SSS）、海表高度（sea surface height,SSH）、海表风场（sea surface wind,SSW）的水平分量（USSW）和垂直分量（VSSW）等多源海表参数对印度洋海域的次表层热力结构进行反演。另外,采用CatBoost（categorical boostingt）模型反演全球海洋次表层温度时,在五个海表参数的基础上增加了经纬度信息（经度LON,纬度LAT）作为输入变量。基于构建的次表层温度反演模型,实现对次表层温度的反演,并采用均方根误差（root mean square error,RMSE）和决定系数（coefficient of determination,R~2）对模型反演精度进行分析与验证。主要研究内容与成果如下:（1）基于GMM聚类和LightGBM算法的印度洋次表层温度反演研究以印度洋为研究区域,选取了2005年1月至2018年12月的多源遥感参数数据和Argo实测数据,建立了融合GMM聚类和LightGBM算法的反演模型。反演结果表明,本文所提出的模型可以准确反演印度洋海域的OST分布特征和季节变化规律。在此基础上,本文设计了不同海表参数输入组合的3种对比实验来定量分析不同海表参数对LightGBM模型的影响。结果表明,所有海表参数对模型都有积极作用,但五个输入参数（SST、SSS、SSH、USSW和VSSW）的LightGBM模型反演效果最好,三个输入参数（SST、SSS和SSH）和两个输入参数（SST和SSH）的LightGBM模型次之。与另外一种机器学习方法——极限梯度增强（extreme gradient boosting,XGBoost）相比,LightGBM模型具有更好的模拟能力。（2）基于CatBoost算法的全球海洋次表层温度反演研究以全球海域为研究区域,选取了2010年至2018年12月的多源遥感参数数据和Argo实测数据,建立了基于CatBoost算法的反演模型。反演结果表明,模型在不同深度水平下性能有所差异,模型的RMSE先逐渐增大后逐渐减小,垂向平均的RMSE值为0.2719°C、R~2值为0.9947。与另外一种机器学习方法——梯度提升决策树（gradient boosting decision tree,GBDT）相比,CatBoost模型具有更好的反演精度,可以准确反演全球海域的OST分布特征和季节变化规律。