Dự báo nhiệt độ và lượng mưa là một trong những chỉ số được quan tâm trong lĩnh vực nông nghiệp nhằm hỗ trợ người dân có kế hoạch gieo trồng phù hợp. Một số kỹ thuật trước đây đã được đề xuất để dự báo về nhiệt độ và lượng mưa dựa trên phân tích thống kê, học máy và kỹ thuật học sâu. Trong bài viết này, phương pháp xây dựng mô hình dự báo nhiệt độ và lượng mưa hàng tháng bằng mô hình đa biến bộ nhớ dài-ngắn hạn (Multivariate long short-term memory - MLSTM) được đề xuất. Các tham số của mô hình được điều chỉnh sao cho phù hợp với bài toán đặt ra. Mô hình được đánh giá thông qua độ đo lỗi RMSE và MAE. Bên cạnh, các mô hình dự báo khác như LSTM, MLP và SVR cũng được sử dụng nhằm so sánh hiệu quả của mô hình đề xuất. Kết quả thực nghiệm trên tập dữ liệu nhiệt độ và lượng mưa trung bình hàng tháng tại Việt Nam từ 1901 đến 2015 cho thấy mô hình MLSTM đạt hiệu quả khá tốt với độ lỗi RMSE trên tập nhiệt độ là 1.311 và MAE là 1.051, tương ứng trên tập dữ liệu lượng mưa là 2.299 và 2.450., Tóm tắt tiếng anh, Forecasting temperature and rainfall are issues of concern in the agricultural sector, which could assist farmers in appropriate cropping. Several techniques have previously been proposed for forecasting temperature and precipitation based on statistical analysis, machine learning and deep learning techniques. This work proposed a method of building a model to forecast monthly temperature and precipitation using multivariate long short-term memory (MLSTM) model. The parameters of the model were adjusted to suit the proposed problem. The model was evaluated using RMSE and MAE error measures. Besides, other forecasting models (such as LSTM, MLP, and SVR) were also used to compare the effectiveness of the proposed model. Experimental results on the data set of average monthly temperature and rainfall in Vietnam from 1901 to 2015 showed that the MLSTM model was quite effective with the error RMSE on the temperature set was 1.311 and the MAE was 1.051, respectively on the rainfall data set were 2.299 and 2.450.