长鳍金枪鱼（Thunnus alalunga）主要分布在三大洋中的温带和热带海域,是一种大洋暖水洄游性鱼类,具有较高的营养价值和经济效益。中国、日本等国家进行长鳍金枪鱼渔业作业的主要海域位于太平洋南部,占整个太平洋海域长鳍金枪鱼产量的50%以上,并且近年来在南太平洋海域进行渔业资源开发的国家越来越多,金枪鱼渔业的发展引起了农业部的高度重视。开展对南太平洋长鳍金枪鱼渔场预报的研究能够降低长鳍金枪鱼中心渔场的渔场探查时间、合理安排渔业生产,从而争取更多的捕捞份额,促进我国南太平洋长鳍金枪鱼渔业的发展。研究学者通常采用统计学等传统方法对渔场的渔情渔况进行分析和预估,但是由于高维海洋大数据具有海量性、多样性和快速流转性,传统方法在数据预处理和样本组织时往往流程较为复杂繁琐,不易操作,人为因素对结果影响较大。机器学习和深度学习方法在海量高维数据分析和预测上有很好的拟合效果,且不需要手动特征工程,配备了自动特征工程,不仅减少了特征工程中的繁琐步骤,而且减少了人为因素对结果的影响。目前,已有学者采用经典的机器学习算法对南太平洋长鳍金枪鱼渔场进行预测和分析,但往往因为其模型的单一性,无法系统地表示渔场信息的全局特征,从而增加错误预报的风险。而多模型融合可以通过增加模型的多样性提升模型的预报准确率,以及整个模型的泛化能力和鲁棒性,弥补单个分类器的分类缺陷。于是本文基于两组渔业数据和海洋环境数据提出了两种多模型融合的渔场预报方法:（1）基于时空因子和海表温度（SST）、叶绿素a浓度（Chl-a）、海面高度（SST）三种海洋环境因子建立了CNN-DNN-CCA-RBF融合的渔场预报模型。首先,在5o×5o渔业作业区域内,将三种海洋环境因子按照对应空间位置映射为三维矩阵。然后,分别采用卷积神经网络和深度神经网络对3种环境因子和渔场时空因子两种多源异构数据进行特征提取,得到两种不同模态的特征向量,并将两种特征向量通过典型相关分析的方法进行特征级融合。最后,将融合后的特征输入到径向基函数网络中进行分类。实验结果表明,CNN-DNN-CCA（连接）-RBF融合的渔场预报模型对南太平洋长鳍金枪鱼中心渔场的召回率达到了90.3%,相较于随机森林、卷积神经网络模型和深度神经网络模型提高了6.8%~21.8%。同时该模型通过深度学习方法和典型相关分析方法分别进行特征自动提取和特征融合,消除了冗余信息,简化了特征转换,提高了运算速度和预测精度,为长鳍金枪鱼的渔场预报提供了全新思路。（2）基于时空因子和叶绿素浓度、海面温度、海面高度、ENSO（厄尔尼诺与南方涛动的合称）指数以及垂直水层结构的温度、盐度等海洋环境因子数据,建立了基于GBDT-LR的融合模型。首先将时空因子数据进行独热编码处理,把海洋环境因子数据进行归一化处理,将处理好的数据输入到梯度提升决策树模型中进行训练,并把梯度提升决策树的叶子节点输出的交叉组合特征用作新的训练数据,然后把新的训练数据和原始训练数据一起输入到逻辑回归模型中进行训练,从而构造出GBDT-LR模型。最后将测试数据输入到该模型中进行预测。实验结果表明,该模型在南太平洋长鳍金枪鱼中心渔场上的召回率达到了93.1%,单独使用逻辑回归模型和梯度提升决策树模型的中心渔场召回率分别为87.7%和87.4%,这表明GBDT-LR融合模型的预测效果要优于其子模型,证明了两种模型融合的有效性,为南太平洋长鳍金枪鱼渔场预报提供了新方法。以上提出的两种渔场预报模型不仅能解决高维海洋大数据特征学习困难的问题,而且降低了单一模型错误预报的风险,为今后的南太平洋长鳍金枪鱼渔场预报工作提供了一种新思路。