随着海洋贸易的快速发展,各类复杂非线性波浪会产生很大的潜在危险,传统上人们采用模型实验和数值模拟对各类非线性数据进行了很多研究,得到了很多认识。近年来,随着数据爆发式的增长和机器学习技术的发展,机器学习正在很多领域发挥着越来越显著的作用。本文主要使用神经网络这一重要的机器学习技术与物理模型相结合对畸形波、孤立波两种非线性水波进行了建模和预报。第一部分主要是利用紧致型小波神经网络对畸形波进行预报,在MATLAB软件中引入紧致型小波神经网络模型,结合某岛礁地形模型实验实测波高数据,选取实验数据中三种典型波高时间序列分别实现了包含畸形波的波浪数据对常规波浪的预报、包含近似畸形波的波浪数据对畸形波的预报以及常规波浪对包含畸形波的波浪数据的预报。为了验证小波神经网络模型精度,同时采用常规神经网络BP模型在相同条件下对三种典型波高时间序列进行预报,最后将两种神经网络预报结果精度进行对比。结果表明:使用小波神经网络能较好的捕捉畸形波突发事件,对于三种工况中的波面整体预报精度以及畸形波处的预报精度,小波神经网络预报模型均高于BP神经网络预报模型,小波神经网络预报的波高曲线也与实际波高曲线拟合的更好。在神经网络训练样本中若存在畸形波特征,也将进一步提高对未来畸形波的预报精度。该项研究对船舶或海洋工程的畸形波风险预警具有一定的应用价值。第二部分内容基于物理信息神经网络（Physics informed neural network,PINN）,针对KDV方程,设计了正问题（求解方程）和反问题（根据数值解反推方程系数）。正问题中,先用t=0s时刻的初始条件直接预报t=0.64s时刻的数值解,由于随着时间的推移孤立波的运动变得更为复杂,接下来降低时间步长,用上一时刻的预报值沿时间顺序向后进行预报直到最终时刻。结果显示,在存在误差累积的情况下预报周期数值解的网络模型的预报精度直到最终时刻仍然表现良好,最终时刻t=1.15s的误差值为MAE=0.13和MSE=0.03,预报值与真实值曲线拟合效果很好,能够实现孤立波控制方程的快速求解。反问题中,根据指定控制方程的数值解,通过PINN模型预报其中待定系数λ1和λ2,相对误差高达0.017%和0.0041%,预报精度非常高,表明PINN针对反问题具有很好的重构能力。