全回转起重船（浮吊）在作业过程中会产生倾角变化,需要实时地调拨压载水维持船体安全合理的浮态。随着起重船发展日趋大型化、作业区域日趋复杂化,新的作业条件和工况对压载水的调拨速度和精度提出了更高的要求。传统的策略是通过求解浮态方程并评估安全性来优选出调载方案,该策略在调载方案获取的可持续性、方案品质的稳定性和生成方案的快速性方面存在不足,在特殊情况下（如突发意外环境载荷、设备故障等）易发生调载方案获取失败故障。故此研发如何快速、准确、可持续地生成安全可行的调载方案,对于提高起重船的安全性和作业能力具有重要意义。本文分析了全回转起重船作业时压载水的调拨要求和规律,运用深度神经网络对压载水调载方案进行训练分析,设计基于深度学习技术的压载水调载算法,实现了起重船压载水的高效调拨和连续配载。本文主要研究工作包括:（1）建立了基于浮态方程求解压载水调配方案的优化算法。通过对全回转起重船的作业过程进行力学分析建立浮态方程,以压载水调拨量最小为优化目标,以起重船作业过程中船体保持安全浮态为约束条件,基于MATLAB设计求解算法。通过所建立的优化算法,针对目标起重船设定海量的各种可能的工况,求解各工况下最优的调载方案,作为调载方案数值实验基础数据集。随后对该数据集进行安全性校验和可持续性评估,筛选后得到连续配载数据集,作为后续神经网络模型训练的基本数据集。（2）构建并训练了一种准确高效的神经网络模型,实现了快速高效的起重船调载方案的生成。基于深度学习框架Py Torch搭建全连接神经网络模型,将压载水调拨方案基础数据集进行归一化处理后导入神经网络中训练,分析深度神经网络的预测结果并对网络模型进行评估。结果表明:神经网络算法预测结果精准,生成方案安全性能高、泛化能力强;相较于传统的数值优化算法,神经网络算法具有实时高效的优点,生成单个配载方案的效率提高约90%,压载水调拨总量减少约12%。（3）提出了基于LSTM（长短期记忆网络）的压载水连续配载算法,实现了对起重船压载水连续配载方案的准确预测功能。通过搭建LSTM网络对压载水连续配载方案进行训练,验证了网络模型的准确性和实用性。相较于常规数值优化方法,LSTM网络算法预测配载方案的失败率减少约87%,算法具有显著的可持续性,能够保证起重船在长时间作业过程中的安全调载能力。同时,对压载水配载方案数据集进行收敛性分析,得出起重船在作业过程中压载水的调拨规律以及核心参数对船舶安全性的影响特点。