【摘要】[目的]相比于其它自然灾害，干旱是一种缓慢发展的危害事件，其持续时间长、破坏性大，给农业生产和自然生态环境带来很大影响。预测未来的干旱状况和发展趋势，对于制定科学有效的管理计划以减少灾害造成的损失具有重要意义。[方法]通过文献分析，文章着重归纳总结当前常用的5种基于深度学习的干旱预测模型及其采用的技术，厘清干旱预测方法的发展过程和最新进展，探索干旱预测领域面临的挑战和机遇，并提出未来干旱预测研究的研究方向。[结果]研究发现，基于深度学习模型的干旱预测方法在均方根误差、偏差、平均绝对误差和准确性等检验指标上均优于传统模型。深度学习方法是有效建立干旱预测模型的工具，能够处理大规模、高维度和复杂的数据。将不同的深度学习模型与各种仿生优化技术、小波分析、传统的物理模型或统计模型融合，能够降低模型预测的不确定性，提高预测的准确性和适应性。但是，基于深度学习的干旱预测模型对数据依赖性强、对计算资源需求高，未得到全面系统的应用。[结论]因此，在气候条件频繁变化的情况下，需要不断优化数据采集和监测系统，综合利用气象、农业、水文、生态和社会经济等多源信息，提高干旱预测精度。通过迁移学习、多模型融合、更先进的不确定性建模方法等来完善干旱预测方法，进一步推动深度学习技术在干旱预测领域的深入研究。