海表面温度（sea surface temperature,SST）不仅是海洋状态的一个关键指标，还直接影响大气条件，进而影响全球和区域的天气系统与气候变化。因此，准确预报SST对于维护生态平衡、促进经济发展和应对气候变化具有不可估量的价值。为了准确地对SST进行预报，本研究在ConvLSTM的基础上，提出了一种基于多尺度通道和时空信息融合的深度学习模型（multi-scale channels and spatiotemporal fusion, MCSF）。该模型首先经过多尺度特征提取模块，从多个尺度对SST数据中的区域、边缘等特征进行提取，随后通过卷积块残差注意力模块对信息进行有效的筛选，利用卷积长短记忆网络提取长时间依赖特征，最后由卷积2D层输出一天的预报结果，通过滚动预报实现多天的SST预报。利用MCSF模型在南海区域进行了SST的短期预报（预报未来5 d）和中期预报（预报未来20 d），通过不同的时间窗口进行实验，确定短期预报和中期预报的时间窗口分别为20 d和40 d。实验结果表明，MCSF模型相比于ConvLSTM模型，预报第5天和第20天的平均RMSE分别降低了11.9%、7.59%，平均MAE分别降低了16.7%、16.9%，这证明所提出的MCSF模型可以有效提升SST的预报精度。