中国人口稠密的长江流域频繁受到极端高温事件影响，对社会经济与生态系统造成显著影响。然而，在次季节尺度上对该类极端事件进行准确预测仍面临较大挑战。本研究构建了一种基于残差U-Net（Res-UNet）深度学习的确定性与概率性预测模型，以2003–2018年数据进行训练与验证，并在2019–2022年开展独立测试。在确定性预测方面，与欧洲中期天气预报中心（ECMWF）模式及经验分位数映射方法（QM）相比，Res-UNet在3–4周提前期的时间相关系数提升约14%。值得注意的是，该模型实现了0.3的命中率，在其他模型预测能力明显下降时仍保持稳定的预测技巧。在概率预测方面，Res-UNet在较长预报时效下整体优于ECMWF与QM方法，表现为更高的布莱尔技巧评分与连续分级概率技巧评分，这表明该模型在刻画预测概率分布及捕捉极端事件方面具有较强能力，尤其在重庆和四川地区表现更为突出。夏普利加性可解释性分析表明，模型预测的日最高温度为最重要因子，在提前3周预报时效中主要受中层大气热力和环流控制，而在提前4周预报中高层环流及低层水汽条件作用增强。在2022年极端高温事件中，Res-UNet能够提前最长3周提供高信度的极端高温预测结果。此外，与其他机器学习模型相比，其显著优势进一步表明该方法在提升次季节尺度极端高温预测能力方面具有重要应用潜力。