中国是世界上重要的渔业国家,拥有大量的渔业从业人员和海洋捕捞渔船。据相关部门统计,中国的海洋捕捞渔船数量和海洋捕捞量已经连续多年位居世界第一。渔业不仅为人民提供了大量美味的食物,而且对我国经济的繁荣发展做出了巨大的贡献,是我国经济发展的重要组成部分。近年来,由于渔民违规作业、部分渔船作业方式的不规范和海洋监管不到位,导致我国海洋渔业资源严重衰退、海洋生态系统受到严重破坏。因此,渔船监管部门需要一种可以快速有效识别渔船作业类型的方法,该方法通过学习渔船作业过程中的数据,发现不同渔船作业类型的作业模式,可以准确地帮助渔业监管部门实时识别海面上渔船的作业类型,从而有效打击非法的捕捞活动,确保渔业资源按照监管部门的科学规划实施科学捕捞,保障海洋生态系统健康可持续发展。针对目前渔船作业类型识别方法智能化程度不高、识别准确率较低的问题,论文提出了基于深度学习的渔船作业类型识别方法,具体工作如下:（1）研究渔船的不同作业类型及其特点,结合渔船作业特点和作业数据,分析了数据预处理方法,探究渔船不同作业类型的时空特征,提出有效特征数据提取方法、不同时间步下数据的滑窗式切片方法和渔船数据的三维重构方法。（2）提出基于深度学习和集成学习耦合的LightGBM-BiLSTM时间序列分类模型。模型是将LightGBM和BiLSTM通过串联耦合,充分学习渔船作业数据中的空间域和时间域特征,更加精准地识别出渔船在时空域上的作业类型,实验结果显示,LightGBM-BiLSTM模型识别的准确率、精确率、召回率、F1值分别为98.42%、99.04%、97.56%、98.28%,与LightGBM相比,指标分别提高5.32%、6.96%、6.92%、6.6%;与BiLSTM相比,指标分别提高11.19%、18.81%、24.06%、22.51%。（3）实现了基于Python和C#的渔船作业类型识别系统软件,最后,通过真实数据,测试了软件的识别准确率,并分析了不同渔船类型的识别结果。实验表明,本文提出的方法稳定可靠,能够准确地识别渔船的作业类型,为渔船作业类型的识别提供了新思路,对渔业监管具有重要意义。