高分辨率温跃层深度(Thermocline Depth)的准确估计对于海洋多尺度过程和气候变率的研究具有重要意义。由于观测数据的覆盖范围有限且成本高昂，通过海表数据重构海洋次表层结构成为一种重要的替代方法。本研究提出了一种新颖的深度学习模型——增强型注意力模块卷积神经网络（EBAM-CNN），用于重构1993年至2022年热带印度洋（TIO）的温跃层深度。该模型以绝对动力地形（Absolute dynamic topography, ADT）、海表温度（Sea Surface Temperature, SST）和海表风场（Sea Surface Wind, SSW）为主要输入变量，并结合地理位置信息（纬度和经度）及时间信息对模型进行训练。与传统卷积神经网络（CNN）模型相比，该模型表现出优越的性能，其整体均方根误差（RMSE）为5.29 m，皮尔逊相关系数（R）为0.87。此外，本研究采用了一种降尺度方法，以获取更高分辨率的温跃层深度数据。对降尺度结果的分析表明，该方法能够有效地从高分辨率海表观测数据中重构海洋次表层中尺度特征，显著提高温跃层深度估计的精度，为海洋与气候研究提供了稳健的数据支持。

温跃层深度,降尺度,卫星观测,深度学习,热带印度洋