海表温度(SST)是平衡地表能量及衡量海水热量的重要指标,SST的高精度预测对全球气候、海洋环境及渔业具有重要意义。极端气候条件下,SST序列呈现明显的非平稳性,传统方法进行海表温度预测(SSTP)时难度大,且精度较低。基于经验模态分解(EMD)算法分解后的SST子序列非平稳性明显降低,且门控循环(GRU)神经网络作为一种常见的机器学习预测模型,参数较少、收敛速度更快,不易在训练过程中出现过拟合现象。结合EMD模型和GRU模型的优势,提出了一种基于EMD-GRU的SST预测模型。为验证所提模型预测效果,对5条不同长度的SST序列进行了多组对比实验。实验结果表明:与直接使用循环神经网络(RNN)、长短期记忆模型(LSTM)、门控循环神经网络(GRU)的模型相比,所提模型预测结果的多尺度复杂度更低;所提模型预测结果的均方差(MSE)和平均绝对误差(MAE)均有不同程度的降低。为验证数据序列长度对预测精度的影响,设计了补充实验。实验结果表明:预测长度越长精度效果越差;通过EMD算法对序列进行处理后,效果均得到了提升,且在预测长度变长的情况下,效果提升较为明显。