为了解决传统方法进行渔场预测时存在的性能欠佳、特征转换困难、拟合程度不足等问题，本文提出了一种基于深度学习和典型相关分析的新型渔情预测方法——CNN-DNN-CCA-RBF模型，该方法首先在5°×5°渔业作业区域内将不同海洋环境因子按相对空间位置映射为三维矩阵，然后分别采用卷积神经网络(CNN)和深度神经网络(DNN)对海表温度、叶绿素a浓度、海面高度3种环境因子和渔场时空因子两种多源异构数据进行模态特征提取，得到两种不同模态的特征向量，并将两种特征向量通过典型相关分析(CCA)方法进行特征级融合，最后将融合后的特征输入到径向基函数网络(RBF)中进行分类。结果表明，通过试验验证，基于深度学习和典型相关分析的渔场预报模型对南太平洋长鳍金枪鱼中心渔场的召回率达到了90.3%，相较于随机森林(RF)、CNN和DNN模型提高了6.8%～21.8%。研究表明，本研究中提出的CNN-DNN-CCA-RBF新型渔情预测模型通过深度学习方法和典型相关分析方法分别进行特征自动提取和特征融合，消除了冗余信息，简化了特征转换，提高了运算速度和预测精度，本研究结果为长鳍金枪鱼的渔场预报提供了全新思路。