在经济科技越来越发达的今天,各个国家之间联系变的更加的紧密,海洋运输是国际间进行交流的主要方式之一。伴随着航运业的发展,海上交通事故时有发生。因此,对于船舶航行轨迹的研究变的愈发重要,通过轨迹研究,可以对船舶所处的航线进行分析,对船舶的航行状态、目的地等进行监控,及时的发现船舶出现的异常轨迹,保障海上交通的安全。本文基于自动识别系统（Automatic Identification System,AIS）获得的数据和机器学习方法,通过对AIS数据的研究,分析其数据结构和特点,提取出船舶航行轨迹,结合聚类再回归算法,设计实现了一个船舶轨迹预测模型。本文的主要工作与创新如下:（1）分析研究AIS数据,从中提取出船舶航行轨迹,并对轨迹中存在的缺失值和异常数据进行处理。对于经纬度的插补,本文提出了一种双向加权平均插值法。对含有缺失值的轨迹段两边端点进行双向插补,分别从一个端点递归求出至另一端点的缺失值插补序列,之后将两条缺失值插补序列进行加权平均得到所求的缺失值插补序列。实验表明,在缺失值数量较多时,双向加权平均插值法对经纬度的插补具有较高精度。（2）提出了一种基于区域相似度的船舶航行轨迹聚类方法。该方法将航行区域网格化,使原本船舶航行的轨迹序列变为网格序列,通过对网格序列相似性的判断,将网格序列相似的船舶轨迹聚为一类,从而达到对船舶航行轨迹聚类的目的。（3）通过对Seq2Seq模型的改进,对未来连续多个轨迹点进行了预测。本文将Seq2Seq模型进行改进,使用门控递归单元网络作为模型单元,同时将编码器的输出和输入序列的最后元素结合起来作为解码器的输入,将其应用于连续多个时刻的轨迹点预测。通过与其他模型实验对比,该模型能提高对连续轨迹点的预测准确度。（4）提出了聚类再回归算法用于提高轨迹预测精度,将轨迹聚类和轨迹预测结合起来,对轨迹聚类后得到的不同轨迹集合进行建模训练,同一类别轨迹集合样本间差异较小,对其进行回归预测能提升轨迹预测的准确性。