二氧化碳(CO₂)是一种重要的温室气体，在很大程度上影响了气候变化。卫星遥感能够对CO₂进行大范围探测和制图，但受到自身硬件（窄幅宽）及外部条件（云和气溶胶等）的影响，观测结果往往存在严重的数据缺失问题，对全球范围精准碳评估造成了巨大的挑战。为了对卫星观测CO₂产品进行无缝重建，本研究使用深度学习方法，对卫星观测CO₂产品、CO₂再分析资料和植被指数、气象参量等辅助数据进行融合，最终构建得到一套全球范围、0.1°空间分辨率的月度CO₂空间无缝产品。结果显示，该产品在模型验证（十折交叉验证：R²=0.959，RMSE=1.068 ppm）和地面站点验证（TCCON站点验证：R²=0.964，RMSE=1.010 ppm）中均取得了较好的表现。同时，通过与CAMS再分析数据和已有的无缝数据集产品进行对比，发现本产品具有更高精度或更精细尺度的优势。基于该数据集，进一步分析了全球陆表CO₂时空变化规律和国家尺度的CO₂浓度增长情况。本套空间无缝、精细尺度的CO₂数据集有望为全球碳循环分析和碳减排政策制定提供有效的数据支持，可在https://doi.org/10.5281/zenodo.7721945 免费获取。

CO2；无缝；全球尺度；机器学习