随着人口增长和人们对优质蛋白质需求的不断提高，海水养殖产业在近几十年得到了迅速地发展。养殖海湾由于其良好的近岸资源和利于开发等特点，成为我国海水养殖的最重要的区域。水动力环境是养殖海湾重要的自然条件，养殖活动所造成水动力环境变化将直接影响到整个海湾的养殖及生态环境。作为我国北方重要水产养殖海湾，桑沟湾养殖历史悠久，养殖面积布满整个海湾，养殖活动给桑沟湾带来了极大的影响，海水养殖健康持续发展受到制约。筏式养殖作为最主要的方式，占整个海湾面积的70％。常年放置的养殖筏架，对水动力场进行持续影响，直接影响到整个海湾的流场分布、水体交换，进而影响到整个养殖海湾的生产力。　　本文针对桑沟湾特定养殖海区，在目前只有较少的观测数据情况下，研究如何充分利用观测资料，结合水动力数值模式，使用统计学习方法，从有限数据中深入挖掘有用信息，进而通过对养殖筏架阻力系数的优化来改进模式，让模式更能准确地模拟实际流场，科学反映桑沟湾高密度养殖区的真实环境，为优化养殖筏架布局，改善养殖环境提供科学的依据。　　作为统计学习理论基础上开发出的一种新的机器学习方法，支持向量机(SVM)自90年代由贝尔实验室提出以来，较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题，在预测，分类及回归方面有很好地应用，是人工智能和机器学习领域的新的研究热点。由于海洋中观测数据量相对少，影响因素较多，物理过程复杂等特点，本文提出将支持向量机和水动力相结合的方法用于解决上述问题。　　根据桑沟湾的水文环境，本论文首先采用POM模式，通过对POM模式取定边界条件、物理过程参数化、差分格式选取、模式配置和潮汐潮流验证，得到适合于桑沟湾的POM模式。我们提出使用支持向量机与POM模式相结合的方法，求取养殖筏架阻力系数。在09年、10年和12年三次出海，取得实际观测数据，同时，我们又结合历史观测数据，训练SVM模型1（以下简称SVM1），初步预测阻力系数在10-3这样一个数量级中。然后我们利用支持向量机的半监督学习方法，将作为未标记的POM模式计算数据与标记的训练用实测数据相结合，形成汇总数据库，训练SVM模型2（以下简称SVM2）。得到SVM2训练模型后，使用这个模型预测流速。将预测流速与测试用实际观测流速比较，当差值大于误差值时，优化阻力系数，重新采用POM计算流速，并将部分数据作为非标记样本，重新训练SVM2模型并预测流速，依此方法进行循环迭代，直到二者的流速差小于误差值，算法收敛。在上述半监督学习与数值模式计算结合的标记未标记样本的过程中，优化了阻力系数，将桑沟湾养殖筏架阻力系数的范围从10-4-100缩小到4×10-3-5×10-3。我们对结果进行了验证，证明我们得到的结果是可信的。　　我们将优化的结果用于模拟桑沟湾的水动力场，计算模拟不同养殖筏架密度、不同分布对流速和水体交换的影响。通过计算得出相同筏架密度下，分散筏架布局对海水流速增加及水体交换最为有利，分散养殖筏架比较其他方式可以使半交换时间减少近30％;养殖筏架密度增加使流速呈直线减小。当养殖筏架的密度达到75％时，仅筏架使湾口表层流速减少40％。结果对实际养殖海湾的养殖密度、布局等养殖规划等实际问题提供了科学的依据。