精准的有效波高预测在海上航行、海洋军事作战、海洋设备维护、海洋探索以及波浪能利用等诸多海事活动中扮演着重要角色。然而,海浪较强的随机性与间歇性给精准的有效波高预测带来了巨大的挑战。近年来,机器学习算法极大地促进了许多预测任务的发展,特别是在计算机视觉和自然语言处理领域的表现较为优秀。为了深入研究了机器学习在有效波高预测中的应用,本文进行了多种机器学习模型、深度学习模型以及融合模型的有效波高预测实验。首先,本文详细地总结了有效波高预测的研究进展并分析了各类预测模型的优缺点。然后对本文从欧洲中期气象预报中心获取的ERA5数据进行了必要的分析与预处理工作,主要包括有效波高时空相关性分析、特征间相关性分析、基于特征重要性分数的特征选择、特征归一化、数据构造等内容。接下来,本文研究了线性回归（Linear Regession,LR）、支持向量回归（Support Vector Regression,SVR）、神经网络（Artifitial Neural Netwotks,ANN）、极限学习机（Extreme Learning Machine,ELM）四种经典机器学习模型的有效波高预测性能。同时,为了研究不同输入对这四种模型预测性能的影响,每个模型的输入都分为单特征、多特征、多时空特征三部分。实验结果表明,在使用多时空特征时各模型的预测误差最低,预测曲线与真实曲线之间的滞后现象明显减弱。在这四种模型中,LR、SVR、ANN三种模型表现较好,而ELM在使用多特征和多时空特征时的预测性能弱于LR、SVR、ANN三种模型。为了进一步提高有效波高的预测精度,本文提出了一种以多时空特征作为输入的融合深度学习模型Res Net-LSTM,该模型结合了残差网络（Residual Networks,Res Net）和长短期记忆网络（Long Short-Term Memory Networks,LSTM）,从而可以更高效地利用来自时间、空间、相关特征三个方面的信息。其中Res Net用于提取数据中的空间特征,LSTM则用来提取时序特征。为了科学全面地评估融合深度学习模型Res Net-LSTM的预测性能,本文对比了Res Net-LSTM与卷积神经网络（Convolutional Neural Networks,CNN）、Res Net、LSTM、CNN-LSTM、Res Net-ANN在不同位置的日平均和日最大有效波高预测性能。实验结果表明本文提出的Res Net-LSTM模型明显优于单一的机器学习或深度学习模型,略好Res Net-ANN模型,同时Res Net-LSTM拥有更高的泛化性能和稳定性。另外,本文还探究了空间分辨率对Res Net-LSTM模型的影响,结果表明输入数据的空间分辨率越低,Res Net-LSTM模型的预测误差越大。