船型优化设计一直以来都是人们研究的重点内容。工程师们通常使用计算流体力学(CFD)方法来进行船舶阻力性能预报,并在此基础上开展船型优化,从中选择最佳方案后再应用于实船。但在CFD方法中使用粘流计算船舶阻力时耗时太长,而且CFD方法的计算精度受到多种因素的影响,例如网格划分、湍流模型等等,对使用者的经验要求较高。近年来,随着计算机软硬件技术的高速发展,基于机器学习算法对具有复杂关系的数据进行分类回归已成为各领域内的研究热点。利用机器学习算法来解决船舶工程领域内的复杂问题正逐渐形成一种趋势,具有较高的工程应用价值和科研意义。本文基于卷积神经网络建立了船舶阻力性能快速预报方法,系统分析了方法的有效性以及船型半宽值与船舶阻力的相关性等,具体研究工作如下:首先,本文使用Python语言在TensorFlow框架中搭建卷积神经网络模型,研究了实际编程中使用的函数及其参数的设置,明确了参数的意义和其对模型的数据处理以及性能的影响,为搭建基于卷积神经网络的船舶阻力预报模型提供代码基础。其次,本文以90000DWT散货船改形后得到的不同船的船后标称伴流速度场为算例,搭建卷积神经网络对船后伴流场进行螺旋桨扭矩系数KQ预报,证明了卷积神经网络适用于类似船后伴流场的矩阵型数据的回归预报问题,为建立基于卷积神经网络的船舶阻力预报模型提供实践基础。最后,本文使用SHIPFLOW软件计算得到一系列大型油船的总阻力,将船型数据和总阻力值作为输入数据和样本标签,建立了基于卷积神经网络的船舶阻力性能快速预报模型。采用由某大型油船原始船型融合变化后得到的船型验证模型阻力预报精度,并对不同结构、不同参数下的卷积神经网络模型性能进行了对比,研究模型结构对模型性能的影响。并以某大型油船为研究对象,基于所建立的船舶阻力性能预报模型进行敏感性分析,研究了船体型线半宽与船舶阻力间的相关性,并在其中得到了一些对船舶阻力影响较大的区域,为船型优化设计提供了一定的参考,为未来开展智能化船型优化设计打下基础。