预测和推理未来结果的能力是智能决策系统的关键组成部分。近些年,以深度学习为代表的机器学习预测算法取得迅猛发展,广泛应用于天气预报、自然灾害预警、疾病诊断等领域。然而,在太阳光球磁场演化研究方面,由于缺乏完备的数据集和全面的评价标准,以及演化过程中存在磁结构运动、形变、浮现、消失等多种复杂变化交织的问题,使得直接在时间和空间上预测磁场的演化过程具有较大挑战,所以目前尚无对太阳磁场的演化过程进行预测研究的相关工作。太阳光球磁场的演化过程包含较复杂的时空物理关系,不仅与太阳大气中爆发的各种磁活动如太阳黑子、太阳风和日冕物质抛射等密切相关,也时刻影响着我们地球的近地太空环境、气候变化和日常生活。为此,本文尝试研究基于时空特征融合的磁场演化过程预测,从数据集制作、网络模型搭建、预测结果全面评价、预测结果视觉增强等多个方面进行一系列研究和探索,主要工作如下:（1）本文制作并公开了磁场演化序列数据集。根据SDO/HMI提供的磁场演化数据的特性,挑选2011年至2015年涵盖太阳南北半球、去除投影效应影响的活动区数据,通过强度裁剪、活动区域再裁剪等多种方法预处理,最终制作了较完备的磁场演化序列数据集,并发布到开源网站。（2）本文提出一种基于时空特征融合的太阳磁场演化大尺度、短时预测算法。该算法基于常规的视频预测模型,首先使用基于时空记忆的LSTM模块充分融合、表征磁场图像序列在时间和空间上相关联的特征,然后使用基于差分时空记忆的LSTM模块对磁场演化过程中复杂的非确定性变化进行处理,最后通过循环形式的网络结构实现对磁场演化过程的预测。此外,结合磁场数据的物理特性,应用相关系数、结构相似性、均方根误差等分析指标和方法,从大尺度磁场结构、运动速度、磁场浮现、精细结构形变和磁中性线的演化等方面对预测结果进行分析和讨论,验证了该算法预测磁场大尺度、短时演化过程的有效性。（3）本文提出一种针对多种退化类型混合的降质图像的复原算法,用于对磁场演化预测结果进行视觉增强。该算法直接融合不同感受野分支的特征,对复原图像的结构进行增强;用注意力机制对不同层级的特征进行动态融合,增加模型的自适应性,降低模型冗余;结合1L损失和感知损失,增强复原图像的视觉感知效果。在DIV2K,BSD500等数据集上的实验结果表明,无论是在峰值信噪比和结构相似性上的定量分析,还是在主观视觉质量方面,该算法均取得较好的效果提升。在磁场预测结果上的实验结果表明,该算法可以提升磁场预测结果的视觉效果。