海运是世界物流系统中的重要一部分,近年来海运贸易量的持续增长导致越来越多的船舶投入海洋运输,船舶数量增长为海运安全监管部门带来了新的挑战。传统海运安全监管过度依赖船员和管理人员的经验操作,容易因人员劳累或经验缺乏等因素造成安全事故。研究智能船舶异常状态检测方法实时监测船舶航行状态,自动发现异常并及时做出预警,可有效降低安全监管对人力的依赖,在保障船舶安全航行和海运贸易繁荣发展方面具有重要意义。AIS数据所包含的宝贵航运信息是研究船舶异常状态检测的基础,本文针对原始AIS数据提出了一套轨迹提取方式可完整提取出船舶单向航行轨迹,提取到轨迹后,首先使用道格拉斯-普克算法（Douglas–Peucker,DP）将直线轨迹点压缩得较为稀疏,转弯轨迹点保留得较为稠密,然后使用基于密度的空间聚类算法（Density-Based Spatial Clustering of Applications with Noise,DNSCAN）和核密度估计将轨迹的直线段和转弯段划分出来,该方法相较于传统的网格划分轨迹方式可以包含更多轨迹局部变化信息,更有益于船舶轨迹异常检测。论文考虑了AIS数据没有直接体现出来的异常检测影响因素:船舶类型和船舶密度,使用统计方法分析后,发现研究海域内货船和油轮的航速要高于拖船,随着船舶密度增加船舶船速会有所减低,船舶密度较小时,船舶更容易进入越界航道。本文基于合成聚类算法（Agglomerative Hierarchical Clustering,AHC）提出了以轨迹相似度量结果提取轨迹位置异常方法。首先对AHC聚类算法合并距离做出相关性分析,然后将轨迹相似性度量结果作为样本数据进行自下而上的层聚类,最后研究聚类高度划分值选取方式,并将轨迹数量小于5的类簇作为异常轨迹簇。相似性度量结果是检测船舶位置异常的关键依据,本文针对传统对称路径距离（symmetrized Segment-Path Distance,SSPD）轨迹相似性度量算法没有考虑船舶轨迹方向特征和局部变化特征这一问题对SSPD算法做出改进,并将相似度量结果与动态时间扭曲（Dynamic Time Warping,DTW）和单向距离（One Way Distance,OWD）算法进行实验对比,发现改进的SSPD算法检测船舶位置异常时在精确率和召回率上有更好的表现。为实现实时异常轨迹识别,本文以门控循环单元（Gate Recurrent Unit,GRU）、长短期记忆（Long short-term memory,LSTM）和注意力机值的双向长短期记忆（Attention-Bi-directional Attention Long Short-Term Memory,AttentionBi-LSTM）神经网络构建了基于预测方法的异常检测模型。首先以AHC聚类结果剔除位置异常轨迹,以降低精确率提高召回率的方式使用DBSCAN聚类剔除速度异常轨迹,然后将正常轨迹以滑动窗口的方式提取轨迹序列。实验对比LSTM、GRU和Attention-Bi-LSTM三种模型的预测效果,结果表明AttentionBi-LSTM预测模型的经纬度误差和速度误差都小于GRU和LSTM。为进一步验证不同轨迹段下模型的预测效果,本文划分了研究海域三个月内的船舶轨迹,随机选取两条轨迹段进行实验对比,结果表明Attention-Bi-LSTM在不同轨迹段下准确率高且无较大波动。最后比较Attention-Bi-LSTM模型的预测结果与新产生船舶轨迹序列的定量误差,如果误差大于1.5倍预测模型的均方根误差则认为轨迹点异常。为验证船舶异常状态检测的工程可实现性,本文介绍了船舶异常检测系统开发方法,系统可完成数据采集、异常检测和界面显示等功能。为改善AIS数据通信的不稳定性,系统采用卫星通信和4G通信方式,在实验室环境下验证了检测方法的可行性,为海事监管部门在船舶异常状态检测领域提供了技术支持。