La temperatura de la superficie del mar (SST) es uno de los parámetros más importantes en la interacción aire-mar, y su predicción precisa es de gran importancia en el estudio del cambio climático global. Sin embargo, la SST se ve afectada por el flujo de calor, procesos dinámicos oceánicos, cobertura de nubes y otros factores, lo que significa que contiene componentes lineales y no lineales. Los modelos de predicción existentes, especialmente los modelos de predicción únicos, no pueden manejar de manera efectiva estos componentes lineales y no lineales al mismo tiempo, lo que degrada su precisión en cuanto a la predicción de la SST. Para remediar esta debilidad, este documento propone un nuevo modelo de predicción mediante el método de multiplicador de Lagrange para combinar el modelo de media móvil integrada autorregresiva (ARIMA) y el modelo de red neuronal de retropropagación (BP), donde estos dos modelos tienen un rendimiento de predicción superior para los componentes lineales y no lineales, respectivamente. Además, se explota el algoritmo genético para construir la red neuronal de algoritmo genético BP (GABP) para mejorar aún más el rendimiento del modelo propuesto. Para verificar la efectividad del modelo propuesto, se realizan experimentos para predecir la SST basados en datos históricos de series temporales. Los resultados de los experimentos indican que el error absoluto medio (MAE) del modelo ARIMA-GABP es solo de 0.3033 degreesC y el error cuadrático medio (RMSE) es de 0.3970 degreesC, lo cual es mejor que el modelo ARIMA, el modelo de red neuronal de BP, el modelo de memoria a corto plazo a largo plazo (LSTM), el modelo de red neuronal de GABP y el modelo de descomposición empírica de modelos BP entre varios conjuntos de datos. Por lo tanto, el modelo propuesto tiene un rendimiento superior y robusto en cuanto a la predicción de la SST.