Para abordar las ineficiencias y la naturaleza que consume tiempo de los diseños tradicionales de sistemas de anti-icing por aire caliente, se introducen modelos de orden reducido (ROMs) y técnicas de aprendizaje automático para predecir las distribuciones de temperatura de superficie de anti-icing. Se proponen dos modelos, AlexNet combinado con Descomposición Ortogonal Apropiada (POD-AlexNet) y multi-CNNs con GRU (MCG), al comparar varias redes neuronales clásicas. Las variables de diseño de la cavidad de anti-icing por aire caliente se utilizan como entradas de los dos modelos, y los datos de distribución de temperatura de superficie correspondientes sirven como salidas, y luego se evalúa el rendimiento de estos modelos en el conjunto de prueba. El modelo POD-AlexNet logra una precisión media de predicción de más del 95%, mientras que el modelo MCG alcanza el 96.97%. Además, el modelo propuesto demuestra un tiempo de predicción de no más de 5.5 ms para muestras de temperatura individuales. Los modelos propuestos no solo proporcionan predicciones más rápidas de las distribuciones de temperatura de superficie de anti-icing que los métodos de simulación numérica tradicionales, sino que también garantizan una precisión aceptable, lo que apoya el diseño de sistemas de anti-icing por aire caliente para aeronaves basado en métodos de optimización como algoritmos genéticos.