Die El-Niño-Südliche-Oszillation (ENSO) ist ein bedeutender Modus der interannualen Klimavariabilität mit weltweiten Auswirkungen. Ihre Entwicklung wird durch komplexe Luft-Wasser-Wechselwirkungen bestimmt, was die langfristige Vorhersage erheblich erschwert. In dieser Studie stellen wir CTEFNet vor, ein multivariates tiefes Lernmodell, das konvolutionelle neuronale Netzwerke und Transformer synergistisch kombiniert, um die ENSO-Vorhersage zu verbessern. Durch die Integration mehrerer ozeanischer und atmosphärischer Vorhersageindikatoren verlängert CTEFNet die effektive Vorhersagevorlaufzeit auf 20 Monate und reduziert gleichzeitig die Auswirkungen der Frühjahrsvorhersagbarkeitsbarriere, wodurch es sowohl dynamische Modelle als auch aktuelle state-of-the-art-Verfahren aus dem Bereich des tiefen Lernens übertrifft. Darüber hinaus liefert CTEFNet physikalisch sinnvolle und statistisch signifikante Erkenntnisse mittels einer auf Gradienten basierenden Sensitivitätsanalyse, die die entscheidenden Vorläufer-Signale identifiziert, die die ENSO-Dynamik steuern. Diese Erkenntnisse stimmen mit etablierten Theorien überein und offenbaren zudem neue Einblicke in die Inter-Basin-Wechselwirkungen zwischen dem Pazifik, Atlantik und Indischen Ozean. Die herausragende Vorhersageleistung von CTEFNet sowie die interpretierbaren Sensitivitätsanalysen unterstreichen dessen großes Potenzial für die Weiterentwicklung der Klimavorhersage. Unsere Ergebnisse betonen die Bedeutung der multivariaten Kopplung bei der ENSO-Entwicklung und demonstrieren das hohe Potenzial tiefen Lernens zur Erfassung komplexer Klimadynamiken mit verbesserter Interpretierbarkeit.