近年来无人帆船以其绿色环保、自给自足的特点被广泛应用在多个领域,如海洋数据监测、水域数据采集等。风速、风向数据是影响无人帆船航行性能和决策至关重要的因素,准确的预测未来时刻的风速、风向数据,对无人帆船的安全性、性能以及决策具有重要意义。因此,针对风速、风向预测展开系统深入的研究,具有一定的理论意义和工程价值。本文以风速、风向预测问题为导向,基于深度学习神经网络模型方法,分别进行了单维输入单模型风速预测,多维输入混合模型多步风速预测以及单维输入多模型风向预测三部分研究工作。首先,针对传统时间序列分析方法在非线性较强的风速数据上表现不佳的问题,设计了基于长短期记忆（long short-term memory,LSTM）神经网络的风速预测方案。该方案主要由两部分组成,分别是数据处理模块和LSTM神经网络模块,数据处理模块负责原始数据的提取、预处理以及时间序列化。LSTM神经网络模块负责学习输入风速历史序列和输出之间的映射关系,提取未来时刻风速数据与历史序列中的时间依赖关系。为了能够全面评估LSTM方案的预测性能,使用均方根误差（root mean squared error,RMSE）和平均绝对误差（mean absolute error,MAE）评估指标量化模型预测误差,并开发了人工神经网络（artificial neural network,ANN）和循环神经网络（recurrent neural network,RNN）模型作为基准模型,在三个来自不同基站的数据集上进行实验。实验结果表明LSTM预测方案在大部分预测点上具有良好的预测精度。其次,从现实角度来看,自然界风受多种因素影响,考虑到其他因素数据能够为模型提供更多有效信息以及混合模型相比较于单一模型具有更好的鲁棒性,本文设计了一种新颖的基于卷积神经网络（convolutional neural network,CNN）和LSTM的混合神经网络（CNN-LSTM）多步风速预测方案。该方案引入了多维输入数据,充分发挥了CNN在提取空间特征的强大能力和LSTM在分析时间序列特征的优异性能。在超参数优化方面,本文基于网格搜索算法提出了多步网格搜索,提升了超参数的搜索精度。在模型预测性能评估方面,引入了相关系数（correlation coefficient,CC）和R~2指标来评估模型的拟合能力。此外,开发了ANN、RNN、LSTM、CNN四种预测模型作为基准模型,在三个不同的数据集上进行实验。实验结果表明,在每一项测试中CNN-LSTM在绝大多数预测点上均具有更好的精度,在处理不同数据分布的情况下表现出了良好的稳定性。最后,针对风向数据的特殊性,提出使用数据分解的方法解决风向数据从极坐标中转换为数值表示形式所存在的数值突变问题,设计了双LSTM（Double LSTM,DLSTM）混合模型对风向数据各分量以并行的方式进行预测。在超参数优化方面,为了平衡搜索精度和速度问题,本文引入了灰狼优化算法来确定超参数。在模型预测性能评估方面,基于常规RMSE和MAE计算方式进行了相应的调整,使其能够更好地评估真实风向数据和预测值之间的误差情况。此外,开发了两种其他风向预测方案作为对比,实验结果表明,基于灰狼算法优化的DLSTM风向预测方案具有优秀的预测精度,且在数据波动较为严重的时间点上也能较好地预测出风向数据的变化趋势。