能源问题的日益严峻以及节能减排等相关政策的出台,促使绿色船舶技术受到青睐,同时也推动船型设计领域的创新发展。借助计算机技术,基于母型船或系列船型资料的传统船型设计方法得到了长足的发展。目前,船型设计效率受船舶性能预报速度和精度的影响较大,船型设计仍遵循传统流程,设计创新有待提高。近年来,随着人工智能技术的兴起与发展,运用机器学习解决工程问题正逐渐成为研究热点。船舶阻力与船型密切相关,是船型设计优先考虑的要素之一。因此,本文基于机器学习技术,围绕船型设计,依次开展了小样本下船舶阻力预报、船首线型优化和船型设计方法研究。主要研究内容和成果如下:本文第二部分从阻力影响因素和机器学习模型构建流程两个方面分析了影响船舶阻力预报的因素。基于船舶阻力分析,采用傅汝德阻力分类法作为船舶阻力划分方法,得到了船舶阻力影响因素。针对小样本下机器学习模型可靠性差、预报结果精度低的问题,提出了小样本下机器学习模型评估方法。与一般方法相比,采用小样本下模型评估方法得到的阻力预报结果具有较高的精度,提高了模型的可靠性。本文第三部分提出了小样本下机器学习船舶阻力预报船型表达方式。针对单艘船舶不同吃水下阻力预报和运用多艘船舶预报指定船舶阻力两种情况,采用了船型参数和型值点两种船型表达方式进行船舶阻力预报,并对比了两种船型表达方式下的阻力预报结果。针对船型参数选取问题,研究了船型参数无量纲化形式对预报结果的影响,分析了船型参数选取的合理性。研究表明,采用无量纲化的船型参数作为小样本下阻力预报模型的输入可以得到较好的预报结果。本文第四部分提出了阻力预报机器学习模型构建方法。基于相同类型船舶数据,针对基础机器学习模型预报精度低的问题,采用集成学习阻力预报模型提高了阻力预报精度;针对船舶阻力预报数据样本少的问题,采用迁移学习构建了基于不同类型船舶阻力预报模型或已有经验公式的阻力预报模型,实现了船舶阻力准确预报。本文第五部分提出了基于集成学习神经网络的船首线型优化方法。研究基于径向基函数曲面变形技术和CFD（Computational Fluid Dynamics）数值仿真技术获取不同船首线型参数下的船舶阻力,采用集成学习构建反映船首线型参数与阻力关系的网络模型,通过进化策略优化方法得到具有最佳阻力表现的船首线型,并用CFD数值仿真技术验证了优化结果的准确性。研究表明,优化后的船舶总阻力降低了2.924%。本文第六部分提出了基于生成式神经网络的船型设计新方法。运用母型船数据,构建了条件变分自编码器生成式神经网络模型,生成了给定阻力条件下的船型参数,并运用基于集成学习的阻力预报模型和CFD数值仿真技术验证了设计方法的可靠性。基于生成式神经网络的船型设计新方法突破了传统的船型设计思路,降低了船型设计对计算资源的依赖。本文运用机器学习开展了小样本下船舶阻力预报和船型设计方法研究,可为机器学习在船舶领域的应用提供重要的指导。