完整、高精度的温度观测数据是农业气象灾害监测和生态系统模拟的重要输入参数。由于野外气象观测条件的限制，缺少气象观测数据是正常的，数据插值方法是气象数据应用的必要处理步骤。针对小型野外气象观测站半小时温度观测数据长期存在的问题，结合同一地点的低频人工温度观测，构造了一种新的温度缺失值插值深度学习模型，对缺失的半小时温度观测数据进行高精度插值。本文构造的深度学习模型采用基于编解码结构的序列深度学习结构（BiLSTM-i），模型的编码层采用双向lstm-i网络，解码层分别采用LSTM解码结构和全连接解码结构。实验结果表明，本文设计的BiLSTM－I深度学习温度插值方法优于其他方法，能够满足高精度温度数据插值的需要，而LSTM译码结构的bilstm-i模型具有更好的数据插值精度。最后，对BiLSTM－I深度学习模型的泛化能力进行了分析，结果表明，bilstm-i模型具有不同温度缺失窗口长度的插值能力