太阳耀斑的爆发会带来一系列灾害性空间天气事件,比如改变人造卫星的轨道、破坏无线电通讯等,然而太阳耀斑爆发的具体物理机制仍然未知,因此研究太阳耀斑的预报具有重要的实用价值和科学意义。近年来大多数太阳耀斑预报模型从活动区域的磁场记录图中提取人工设计的特征,采用传统的机器学习方法进行耀斑预报。这种手工设计特征的方法往往设计复杂,不能很好地表达活动区域的磁场特征,进而带来耀斑预报的性能瓶颈。在本文中,我们详细介绍了现有的太阳耀斑预报方法,并分析其中的不足之处。在此基础上,我们提出基于深度学习的太阳耀斑预报方法。首先,针对手工设计特征效率低下且准确率不高的问题,我们提出一种基于卷积神经网络从活动区域磁场记录图中提取特征的方法。然后,为了克服传统时序模型不能很好地表达时序先后关系的缺点,我们提出基于长短时记忆网络表达活动区域时序信息的方法,进一步完善了我们的耀斑预报模型。我们在SDO/HMI公布的SHARPs数据集中进行实验,实验结果表明本文提出的方法能够有效提升太阳耀斑预报的性能。