渔业从古至今都伴随人类左右,随着时代的变迁,很多东西都发生了翻天覆地的变化,但人类需要物质来生存这一命题是永恒不变的,而渔业为人类的生存提供了大量的物质。近年来严峻的粮食安全问题更加凸显了渔业的重要性,当今中国渔业总产量虽然逐年增加,但存在非法捕捞、渔业资源过度利用导致近海鱼种类下降,资源面临枯竭。在信息化时代,可利用人工智能等新兴技术来更好的监控管理渔业资源,其中准确识别捕捞状态和准确识别渔船作业类型是信息化监控管理的关键。论文基于船舶AIS（Automatic Identification System,AIS）数据提出了识别渔船捕捞状态和渔船作业类型判别这两个实际问题,论文的主要工作和主要创新性如下:（1）由于航海日志或VMS数据的不公开性、收集数据的难度大、人工记录的不准确、时间和空间分辨率低等特性,所以通常没有足够的此类开放数据研究渔船捕捞状态和渔船作业类型,而得益于AIS数据开放、全面、记录频率高等特性使得非常适合研究。因此本文研究所采用的原始数据是带有捕鱼标记的AIS数据,本文从原始数据处理开始,其目的在于从海量无序数据中筛选构建出每条船单次捕鱼行为的航迹序列,筛选有研究意义的航迹序列以此来构成研究渔船捕鱼行为的数据集。数据处理流程有异常处理、数据分组、衍生特征计算、划分航次、单航次轨迹插值等。构建数据集的过程中,在全面分析原始数据的基础上以不破坏大面积原始数据和不生成大面积新数据为宗旨,尽量使数据集更标准更权威。（2）对于渔船捕捞状态识别这一实际问题。对于一条渔船的航迹序列需要判断捕捞点和航行点,其本质是序列标注问题,循环神经网络变种长短期记忆网络（Long-Short Term Memory,LSTM）常用来处理序列数据,机器学习领域的条件随机场（Conditional Random Field,CRF）也可用来序列标注,前者是利用神经网络的强大非线性拟合能力来计算标签,而后者是利用概率因素来约束标签间的关系。因此本文提出了采用LSTM和CRF结合的LSTM-CRF模型来解决捕捞状态识别这一问题。最终在自建数据集上实现了超过92%的标记准确率。（3）渔船捕捞状态的识别依赖于何种作业类型的渔船。本文第四章提出了判别渔船作业类型这一实际问题,查阅分析了不同作业类型渔船轨迹空间信息呈现不同,从渔船作业原理上论证了拖网和刺网这两类占比超72%渔船之间作业轨迹的差别,提出了将轨迹信息图像化,然后通过图像处理的方法来识别两种作业类型。实验中生成了这两类渔船的图像数据集,也发现了肉眼可见的两类轨迹之间的差别,主要表现在轨迹平滑度和转弯频率,随后采用三种经典网络Alex Net、VGG-16、Res Net-34来做对比实验,其中使用Res Net-34网络达到了92%的分类准确率。最后提出了采用循环卷积（Cycle-CNN,C-CNN）的方法来进一步提高Res Net-34分类准确率,循环卷积的核心在于能使特征图在一层内达到多位置信息融合。通过实验验证,采用循环卷积的Res Net-34网络实验能提高2%的准确率,即最终达到了94%的准确率。