【摘要】【目的】为提高净生态系统碳交换量（NEE）在长期缺失下的插补精度，利用人工神经网络（ANN）和双向长短期记忆网络（Bi-LSTM）将NEE的环境因子和时序特征相结合，提出了ANN-BiLSTM模型。【方法】以宁夏盐池观测站NEE数据及微气象数据为研究对象，通过随机剔除连续7、15、30、45和90 d的5类缺失情景来评估ANN-BiLSTM模型、随机森林（RF）、人工神经网络（ANN）、K最邻近（KNN）、支持向量回归（SVR）和边际分布采样法（MDS）在NEE长期缺失下的插值结果。【结果】当NEE缺失天数≤30 d时，各模型的插值精度相对可靠，ANN-BiLSTM模型的插值精度最高，决定系数（R~2）均值在0.48～0.56之间，均方根误差（RMSE）和平均绝对误差（MAE）分别在0.68～1.92μmol/(m~2·s)、0.45～1.30μmol/(m~2·s)之间。当数据缺失天数≥45 d时，MDS不能对缺失值进行处理，ANN-BiLSTM模型的插值精度明显高于机器学习模型，R~2均值> 0.45,RMSE和MAE分别在0.79～1.95μmol/(m~2·s)、0.50～1.32μmol/(m~2·s)之间。【结论】当温带荒漠灌丛生态系统的NEE数据缺失长度> 30 d时，建议应用ANN-BiLSTM模型对缺失数据进行插补，可以在一定程度上提高NEE长期插值结果的精度。