海洋观测数据的正确与否直接影响着海洋基本特征描述、规律分析和管理决策的准确性,失真或错误的深海大洋环境资料若被放进长时间序列海洋数据库中,用于分析、研究物理海洋现象的分布特征及其变化规律,或者直接用于海洋和天气、气候科学领域的业务化预测预报中,终将严重影响预测预报的可靠性。为了进一步实现数据质量控制的智能化和准确性,本课题结合机器学习算法、统计学等方法对海洋监测数据质量控制技术进行研究,保证海洋观测数据准确有效。数据的质量控制主要是指从原始数据中找出异常数据并对异常数据进行标记和校正。本文选用多种获取自浮标和观测台站检测的海洋观测数据进行实验和验证,主要包括浮标观测波浪数据、温盐数据和小麦岛观测台站温度数据等,并针对不同海洋观测数据提出了多种以机器学习算法为核心的数据质量控制方法,此外,考虑到统计学方法也具有一定的适用性,本文将部分结合统计学方法进行研究。本文的研究内容主要包括以下几个部分:（1）海洋观测数据的异常检测方法研究。将海洋观测数据集划分为单变量海洋观测数据和多变量海洋观测数据。对于单变量的浮标观测有效波高数据,使用统计学方法结合局地检验法进行异常检测。对于多变量的浮标观测温盐等海洋观测数据,使用具有数据重构功能的自编码器进行异常检测。（2）海洋观测数据的异常值校正方法研究。海洋观测数据是一系列时间序列数据,本文分别以长短周期记忆神经网络（Long Short Term Memory:LSTM）算法为核心和以ARIMA算法为核心建立海洋观测数据预测模型,对检测到的异常数据进行预测,并使用预测数据替换异常数据,实现数据的异常值校正。（3）海洋观测数据质量智能控制软件界面系统设计。结合上述两部内容,使用Python和Py Qt5设计数据质量控制软件系统,将数据质量控制的各个过程,方法选择以及结果显示集成到可视化应用程序,支持人机交互,提供海洋观测数据质量控制的全流程化操作功能。