近年来,随着物联网、大数据等技术的发展,移动物体产生了海量的时空轨迹大数据,对其进行分析并提取或学习道路信息成为研究热点。在海上交通领域,船舶的航道（或称规律路径）信息是一类重要的基础数据。利用来自船舶自动识别系统（Automatic Identification System,AIS）的海量船舶轨迹数据提取或学习航道信息,具有低廉、更新快等优势,是一种较有前景的途径。与陆地道路相比,海洋航道受气候、洋流、事故等各种外部因素影响,而且,与车辆轨迹数据相比,船舶轨迹数据具有数据质量差、数据密度在不同区域差异明显等问题,缺少标准的航道数据作为训练数据集,这些给海上航道的提取带来了较大的挑战。为了提高航道提取方法的鲁棒性,避免其受各种变化因素以及数据质量等影响,论文对基于深度学习的海洋船舶航道学习方法开展研究。论文工作的主要贡献和创新点包括:（1）针对现有工作无法进行细粒度的航道提取、以及缺少成对航道-轨迹数据训练集问题,提出了一种基于无监督方法的多特征结合学习航道的方法。分析了学习方法对多特征提取航道的有效性,选择了Cycle GAN作为训练模型。将矢量特征数据映射为平面数据时,使用HSV颜色空间存储了轨迹点更多的属性信息,同时对特征数据当中噪声静止点进行了清除。为了发挥模型提取航道能力,实验了7种不同生成器的提取效果。实验选择丹麦海域5930条船舶的AIS数据作为特征提取的数据集,构建了多特征的3072个特征文件。通过对比其他的学习方法,该方法学习到的航道连续性更强,航道具有细粒度的级别,并且学习到的无效航道更少。（2）针对随时间动态变化航道的学习方法研究,提出了一种基于EncoderDecoder LSTM（Long Short-Term Memory,长短期记忆）的航道学习方法。针对直接预测变化航道时面临航道数据集缺乏的问题,分析发现历史AIS数据可以对预测航道提供数据支撑。通过使用历史AIS数据预测航行轨迹,之后使用Cycle GAN从预测的航行轨迹中提取航道,可以达到提取随时间变化的航道的目的。实验借助直方图均衡化对信息不够突出的AIS轨迹数据进行了预处理。模型设计使用Conv LSTM代替了LSTM进行更多空间基础特征的捕获。实验选择渤海区域的AIS数据进行了间隔3天的轨迹预测,得到的轨迹可达到0.7956的精确率,0.8091的召回率和0.8022的F1值。同时对预测的航行轨迹结果进行了矢量化操作。（3）实现了海上细粒度航道学习和动态变化航道学习研究的验证性原型系统,提供了包括特征转换、航道提取和轨迹图像预处理以及轨迹预测的操作及展示界面,并且支持相关参数的调节。