Los eventos regionales de frío extremo persistente son desastres meteorológicos que causan graves daños a la vida y producción de las personas; sin embargo, son muy difíciles de predecir. Los sistemas meteorológicos de bajas temperaturas y sus efectos tienen un período de oscilación de baja frecuencia significativo (10-20 d y 30-60 d). Este artículo utiliza el aprendizaje profundo para analizar la escala de tiempo de rango extendido y predecir eventos regionales de frío extremo persistente. Los componentes dominantes de oscilación de baja frecuencia de los eventos fríos se obtienen a través de la transformada de wavelet y el filtrado de Butterworth. El componente de oscilación de baja frecuencia se descompone mediante la descomposición de funciones ortogonales empíricas para extraer el modo espacial principal y el coeficiente temporal. Se utiliza una red neuronal convolucional para establecer la correlación entre las circulaciones a gran escala y el coeficiente temporal del componente de oscilación de baja frecuencia de la temperatura más baja. El modelo de aprendizaje profundo propuesto muestra una buena precisión de predicción para eventos regionales de frío extremo persistente con oscilaciones de baja frecuencia.