厄尔尼诺-南方涛动（ENSO）作为气候系统中最强的年际尺度变率，其全球影响在很大程度上受到赤道太平洋海表温度异常具体纬向结构的调控。因此，相较于预测Niño3.4等ENSO指数，能否准确预测ENSO海温纬向分布显得尤为关键。然而，现有的动力模型在预测海温异常纬向分布方面技巧有限，而大多数深度学习模型仅专注于预测ENSO指数，忽视了海温空间分布特征。针对这一问题，本研究基于余弦距离构建损失函数，提出一种新型卷积神经网络模型（CNN-CD）。该模型能够提前一年有效预测赤道太平洋海温异常的纬向分布，预测技巧显著优于现有北美多模式集合结果。此外，本研究利用激活图对CNN-CD开展可解释性分析，发现不同预测时效下CNN-CD的预测来源存在显著差异：对于提前10个月的预测，北太平洋经向模态、南太平洋四极子模态以及热带大西洋海温异常是影响CNN-CD预测水平的关键前兆信号；而对于提前16个月的预测，模型主要依赖热带太平洋内部与充放电循环相关的海温异常及上层海洋热容量异常。

ENSO预测,深度学习,ENSO海温纬向结构,ENSO前兆因子,可解释性分析