我国具有绵长的海岸线，横跨众多气候带，是全球中受到风暴潮灾害影响最为频繁、最为严重的国家之一。据统计，90年代以来由风暴潮引起的经济财产损失达到了2500亿元，是全部海洋灾害造成损失的94％。令人担忧的是，随着全球气候的变暖，风暴潮灾害的发生越来越多。因此风暴潮对沿海地区和其附近海拔较低的地区带来生命与财产安全的威胁也会变得越来越大。所以提升风暴潮最高潮位预测的准确率和最大限度地降低风暴潮灾害造成的损失，是非常具有现实意义的问题。　　目前，针对风暴潮的预测方法比较多，如时间序列分析预测、有限差分法、谐波分析、概率统计等。但上述方法中时间序列分析与谐波分析过于强调数据的周期性；有限差分法解决非线性问题时算法过于复杂；概率统计没有办法较好地解决数据的连续性问题。　　人工神经网络（Artificial Neural Network）发明于上世纪40年代，基于它非线性的信息处理能力，可以学习数据间的映射关系，随后存储在网络之中，常被用来处理一些难以用计算机解决的问题。BP模型因其结构简单，可操作性强的特点，被广泛应用，是神经网络里最具代表性的一种。对任何非线性的数据，它都能找到输入与输出的映射关系。芦潮港水位受台风、潮汐等多种因素影响，在时序上常表现出复杂的非线性特征。因此，本文在BP（Back Propagation）神经网络的基础上研究芦潮港台风，并进行风暴潮潮位预测。　　同时，随着需求的多样化，曲线的绘制方式不断地出现，B样条曲线因其具有良好的可控性脱颖而出，在各个行业中得到了广泛的应用。本文着重研究B样条曲线的节点插入算法，通过对BP神经网络预测的数据进行节点插入，来实现曲线的生成与平滑处理，从而得到潮位预测曲线。　　综上，本文的主要研究如下：　　（1）建立基于BP神经网络的风暴潮预测模型　　对已有的5年芦潮港潮位数据与台风数据进行匹配与预处理，得到了训练样本与测试样本。通过选取与台风密切相关的参数（台风经纬度、台风强度、台风速度、台风气压、台风距观测站的距离）作为BP(Back Propagation)神经网络输入，对应时间的潮位数据作为BP神经网络的输出，构建了基于BP神经网络的风暴潮位预测模型，从而得到潮位折线图。然后利用RBF神经网络和线性回归分别建立预测模型，并对BP神经网络、RBF神经网络以及线性回归建立的预测模型进行对比实验，结果表明BP神经网络具有更好的准确性。　　（2）利用节点插入算法平滑风暴潮潮位预测曲线　　在获得基于BP神经网络的风暴潮潮位预测模型后，对预测数据进行节点插入，通过三次B样条曲线拟合，生成曲线，得到芦潮港风暴潮潮位预测曲线。实验结果表明，通过三次B样条曲线的节点插入算法对得到的折线图进行平滑，得到平滑后芦潮港的潮位预测曲线，可以提高潮位预测的精度。　　（3）建立风暴潮潮位预测系统　　以BP神经网络与节点插入算法结合的风暴潮潮位预测模型为基础，建立风暴潮潮位预测系统，对水位曲线进行可视化显示，方便直观地了解未来的潮位信息，对水位曲线进行可视化显示。风暴潮潮位预测系统具备以下功能：训练数据、潮位预测以及数据管理。通过风暴潮潮位预测系统，可以为预防风暴潮提供辅助决策的功能。　　本文将BP神经网络与节点插入算法的知识相结合，对芦潮港的风暴潮潮位进行分析，建立预测模型与预测系统，为风暴潮潮位预测研究提供了新的思路。