大型船舶靠泊被认为是最困难的船舶操纵之一。由于人工神经网络具有较强的非线性映射能力,可以学习经验丰富船长的操作经验,所以采用人工神经网络来学习训练手动靠泊的数据来完成船舶的自主靠泊。本文在航海模拟器中选用集装箱船“银河号”作为仿真对象,利用设计的神经网络控制器,完成靠泊任务;以大连海事大学教学实训船“育鲲轮”为研究对象,建立岸基监控中心,并在航海动态仿真和控制实验室的小艇“智龙1号”上完成岸基遥控测试。论文的主要工作如下:1.针对传统神经网络自主靠泊控制器忽略车令与螺旋桨转速、舵令与实际舵角之间的映射关系问题,将控制器的输出由螺旋桨转速、舵角改为车令与舵令。为解决靠泊完成后船艏向偏差较大问题,将多初始状态下的靠泊训练数据改为单一初始状态,并将选择靠泊过程中的部分数据作为控制器输入改为提取靠泊过程中的全部信息,以此来提高控制器的训练效果。2.为解决神经网络自主靠泊控制器只能完成特定港口的靠泊,而无法拓展到其他没有训练数据的泊位这一问题,提出一种以泊位顶点为原点,岸线为y轴的坐标系（泊位坐标系）,采用泊位坐标系中相对位置来训练神经网络控制器。在V.Dragon-5000航海模拟器中选取集装箱船“银河号”,在大连港进行靠泊训练后,成功将靠泊控制器拓展到没有训练数据的深圳蛇口港与新加波樟宜港。仿真验证了采用新建立的坐标系可以拓展神经网络自主靠泊控制器适用范围,减小训练数据所需的成本。3.针对2020年中国船级社发布《智能船舶规范》中对智能船舶岸基监控中心的要求,同时为了能够远程实时获取智能船舶的运动状态,建立了智能船舶岸基监控中心。以搭载多传感器的“育鲲”轮为研究对象,利用4G通信技术,实时监测记录船舶的运动状态与航行环境信息,采用虚拟现实技术逼真还原船舶在大洋的航行状态,为智能船舶的大数据应用提供解决方案。