해양 혼합층 구조는 최근 수십 년간 지구 온난화에 의해 변화하고 있는 해양 대순환의 메커니즘을 밝히기 위해 중요하지만, 제한된 관측으로 인해 완전한 추정에 어려움이 있다. 본 연구는 딥러닝 알고리즘인 3D-CNN 방법을 통해 위성 해양 원격 탐지 자료, 대기 수치 모델, 혼합층 기후치, 아르고 현장 관측 자료로부터 태평양의 혼합층 수심을 추정하였다. 최적의 입력 변수 조합을 찾기 위한 Case 분석은 열속(Heat flux)이 해양 입력 변수들과 결합 되었을 때 혼합층 발달에 가장 큰 영향을 준다는 것을 보여주었다. 3D-CNN 방법은 널리 이용되는 심층 해양 원격탐지 기술들과 이미지 자료만을 학습하는 2D-CNN과 비교되었고, 성능은 평균 제곱근 오차(RMSE)와 결정 계수(R²)로 평가되었다. 결과는 깊은 혼합층 추정으로 갈수록 3D-CNN 방법이 더 좋은 성능을 가지며, 시/공간 자료가 해양 내부의 조사에 핵심이 될 수 있음을 보여준다. 또한, 딥러닝 모델은 겨울~봄철의 비선형적 과정을 잘 찾아내면서 아르고 검증 데이터셋에 대해 해양 재분석 모델보다도 높은 정확도를 보였다. 예측된 혼합층 수심의 시계열은 Ocean climate station (OCS) 계류 부이에서 동일한 threshold 방법으로 계산된 자료와 테스트 되었다. 3D-CNN 모델은 아르고 자료를 학습했음에도 불구하고 부이의 위치에서 혼합층의 변동성을 유의미하게 재현할 수 있었다. 그러므로 본 연구는 3D-CNN 방법이 해양 혼합 구조를 성공적으로 추정할 수 있음을 제안하며, 추후의 해양 순환 연구에 필요한 혼합층 자료를 제공한다.