三维集成电路（3D ICs）中的热管理因功率密度持续升高而日益严峻。传统的基于偏微分方程（PDE）求解的方法虽然精度较高，但在迭代设计过程中速度过慢。尽管基于机器学习的方法（如傅里叶神经算子，FNO）提供了更快的替代方案，但普遍存在高频信息丢失以及对高保真数据的高度依赖问题。为此，本文提出一种新型框架——自注意力U-Net傅里叶神经算子（Self-Attention U-Net Fourier Neural Operator, SAU-FNO），该框架融合自注意力机制与U-Net结构，并结合FNO，能够有效捕捉长距离依赖关系，同时精准建模局部高频特征。通过引入迁移学习，对低保真数据进行微调，显著减少了对大规模高保真数据集的依赖，大幅加速了模型训练过程。实验结果表明，SAU-FNO在热场预测精度方面达到当前最优水平，并相较于传统有限元方法（FEM）实现了842倍的加速，使其成为先进三维集成电路热仿真中高效可靠的工具。