海洋气象预报在当代海洋相关工程中有着重要的意义。在诸多海洋气象参数中,有效波高是评估波浪能资源和海洋活动临界气象条件不可缺少的参数,有效波高的预报问题也是海洋气象预报的重点问题。目前的海浪有效波高深度学习预报算法,具有预报精度不足、模型结构和参数对不同预测步长泛用性弱等问题。本文将深度学习算法与信号处理领域常用的小波变换方法进行结合,以提高海浪各预测步长的有效波高的预报精度。本文主要包括以下几个方面的工作:（1）对海浪有效波高的数据集进行特征分析和预处理。本文对美国NOAA全球浮标数据中心提供的46087号海浪浮标站的2017-2019年数据进行数据清洗,并针对海浪高度本身的自相关性、数值分布和季节分布进行相关统计分析。根据统计分析结果,本文用数据标准化方法和小波变换算法对海浪相关变量数据进行预处理,以利于神经网络对数据特征的提取。（2）针对信号处理领域所用的特征提取算法会导致输入序列大幅增多的问题,本文将通道注意力机制,空间注意力机制以及残差收缩机制相结合,对普通卷积残差网络的残差块结构进行了改进,提出了一种注意力残差收缩块结构,并对比了单独使用以及组合使用注意力机制和残差收缩机制的模型的海浪有效波高预测精度。实验证明,使用注意力残差收缩块代替普通卷积残差块能明显提高在较长的时间步长下的海浪有效波高预报精度。（3）针对深层卷积残差神经网络难以利用浅层的卷积层提取到的数据特征的问题,本文参考了目标检测领域对提高小目标识别率所用的Yolo v3多尺度特征融合算法,提出了一种针对时间序列预测任务的多层特征融合结构,并将该结构分别与注意力机制模块,残差收缩模块和ARS模块相结合,提高网络对于各卷积层提取到的特征的利用能力。实验证明,使用多层特征融合机制能够提高各模型的海浪有效波高预测精度。本研究改进的卷积残差网络,结合了注意力机制模块和残差收缩模块,并引入多层特征融合结构,提高了网络的特征提取能力和对各层卷积网络提取到的特征的利用能力,显著提高了海浪有效波高的预测精度。基于改进后的模型部署了海浪有效波高预测web平台,实现了对海浪有效波高预报结果的快速预览和统计功能。