根据我国建设海洋强国的战略目标,交通运输部印发了《中国船员发展规划(2016-2020年)》,提出了推进船员实操评估电子化、智能化的任务。目的是以规范化和标准化的船员适任能力评估,促进船员素质的提高,减少人为因素导致的船舶机舱事故的发生,保障海上交通安全。论文以船舶机舱协作式模拟训练智能评价方法的研究为主线,研究并改进了船员实操训练模式和仿真训练评估系统,完善了船舶机损事故在训练和评价中的应用及轮机模拟器的效能评价体系。主要的研究工作如下:为满足机舱资源管理这一新的强制性适任标准的特殊要求,论文基于“人-机-环境系统工程”方法建立了新的船舶机舱模拟训练和评估模式;提出了船舶的“角色-任务-资源”系统协作训练模型和驾机联动式任务型协作训练模式,克服了传统的轮机模拟器在“全任务综合”培训和“客观”评估方面的欠缺。对船舶机损事故案例的原因进行挖掘分析,给出了机损事故、人误因素和资源管理因素之间的关系。设计典型的情景和任务,改进评价体系,在训练和评估中侧重培训机舱人员防止船舶机损事故发生的能力。尤其是对于缺少实船服务经历的航海院校学生具有很好的实用效果,满足了“管理型”和“技能型”高素质船员训练和评估的需要。在基于轮机模拟器的自动综合评估的基础上,将智能算法引入船舶机舱实操训练的评估,提出了一种改进的基于遗传算法优化的智能综合评价方法。该方法包括建立驾机联动模拟的评估知识库,构造评估指标隶属度函数库和不同需求下的优化目标函数,采用熵权法和历史评估数据动态调整评估指标的权重并利用遗传算法优化,根据实时的系统参数检测结果和隶属度函数得出模糊关系矩阵,经多重模糊综合评判得出评估结果。在实例中对遗传算法优化的效果进行了对比分析,经遗传算法优化的评价结果误差明显较小。经初步实践表明,该评估结果比较客观,所提出的评估方法符合实际需求。为进一步提高船舶机舱实操训练评估的智能性和客观性,应用深度学习的技术研究轮机实操智能评估的回归问题,提出了基于深度学习的智能评价方法。采用稀疏自动编码器(SAE)对大量数据样本进行特征变换,深入学习样本特征并用于分类评价,经反复训练后得到较好的评价模型。针对轮机实操评估的特点,给出了确定深度信念网络(DBN)层次结构的具体方法。通过逐层贪婪训练算法对限制玻尔兹曼机逐层训练,最后经BP算法对网络微调后形成评估模型。在仿真实验中分别对BP神经网络、带回归模块的SAE和DBN评估模型的预测效果进行了对比验证。研究结果表明,基于DBN的评估模型的最大误差为2.45分,最小误差为0.09分,各项误差均最小。DBN模型避免了普通的多层神经网络可能过早陷入局部最优的问题。该方法适用于结合轮机模拟器、自动化机舱或智能化实船机舱开展的轮机实操智能评估,是具有较好应用前景的方法,填补了深度学习方法应用于船舶机舱实操训练智能评估的研究空白。在参与轮机模拟器性能标准的编制工作的基础上,研究了轮机模拟器效能评价体系,提出基于云模型的轮机模拟器效能评价方法。通过计算加权偏离度衡量云重心的变化值,对某型号的VLCC轮机模拟器进行分析评价,为我国的轮机模拟器的认证提供了一种可行的评价方法,为推广基于轮机模拟器的智能评估奠定了理论和方法的基础。