海浪预测预报一直是海洋环境预报中不可或缺的一部分。海浪预测预报是预防海浪灾害的重要手段。在应用上通过对海浪的预测预报可以安全有效地指导水产养殖、海上作业和滨海旅游等生产、生活活动,保障沿海区域城市安全和人类生命财产安全,助力海洋资源开发以及推动中国特色海洋强国的建设。本文深入研究基于机器学习和深度学习的海浪预测预报模型,针对目前一般预测模型精度不高的问题,分别从模型输入优化和模型改进两个方面对海浪预测进行研究,提出了两种不同的海浪预测算法模型,并且在海浪预测上表现较强的预测性能和较高的精确度。本文的主要研究工作如下:（1）数据预处理和相关性分析。针对数据集繁杂、冗余的问题,研究了特征相关性及其特点,并利用斯皮尔曼系数对海洋环境数据特征进行关联性分析,实现了实验目标数据集的特征关联性增强,为后续数据预测提供支持。（2）提出了基于RF-ATBi LSTM模型的海浪预测算法。针对海洋环境数据中多而杂,模型预测精度较低的问题,提出了一种基于RF-ATBi LSTM的海浪预测算法。针对冗余数据引入了随机森林的特征重要性度量,优化了模型输入,并且在Bi LSTM网络中引入了注意力机制,提高了网络的预测能力。将RF-ATBi LSTM神经网络模型与常用预测模型进行对比实验和消融实验,结果表明,RF-ATBi LSTM模型的预测损失均低于其它模型,即表明该模型能够更好的拟合海浪数据变化,预测精度更高。（3）提出了基于PAL-GRU组合模型的海浪预测算法。为了简化数据输入,解决无效输入过多导致的模型训练速度慢和预测精度不准确的问题,在门控循环神经网络的基础上,提出了一种基于PAL-GRU组合模型对海浪进行预测波高。该模型利用主成分分析的方式对数据集进行主成分筛选,优化输入,在GRU的基础上添加了注意力机制和两层LSTM网络来提高模型的预测精度。实验表明,本文提出的PAL-GRU组合预测模型在海浪预测方面具有更快的训练速度和精确的预测结果,对海浪预测和海洋其它环境预测预报具有一定研究价值。