为了提高AIS（Automatic Identification System）轨迹数据在海事监管中的作用,本文以“基于混合神经网络的船舶轨迹预测”为选题,探究预测精度更高、鲁棒性更强的轨迹预测模型,为后续的船舶异常行为检测、船舶智能避碰等方面提供相关的理论基础。本文模型训练基于大量的历史AIS数据,在不影响轨迹特征的基础上对原数据进行降噪,制作了可用于神经网络训练输入的数据集,建立了预测结果较理想和易于训练拟合的混合神经网络模型。本文的研究内容有以下几点:（1）挑选AIS数据中的时间、经纬度、对地航向、对地航速这五种特征进行处理作为模型的输入,并根据MMSI、时间增量、空间距离、航速这四个维度对轨迹进行划分制作了可用于神经网络输入的数据集。（2）对比了3-9个轨迹点作为模型输入的模型预测精度,确定了将三个轨迹点数据作为轨迹输入;对比了平均绝对误差（MAE）和均方误差（MSE）两种损失函数,确定了将均方误差作为模型最终的损失函数;对比了1-3层的循环神经网络（RNN）的预测结果显示预测精度会随着RNN层数的加深而降低,但是更深的神经网络在拟合过程中有更稳定的表现,最后对比了长短期记忆循环神经网络（Long Short-term memory,LSTM）、门控循环神经网络（Gated Recurrent Unit,GRU）、双向长短期记忆循环神经网络（Bi-directional Long Short-term memory,BLSTM）以及双向门控循环神经网络（Bi-directional Gated Recurrent Unit,BGRU）四种神经网络在轨迹预测中的表现,结果表现LSTM、GRU在轨迹预测方面有精度更高且两者的预测能力基本相同。（3）为了进一步探究更复杂的预测模型,将一维的卷积神经网络（CNN）、注意力机制（Attention）引入LSTM模型上,对比了CNN-LSTM模型、LSTM-Attention模型、CNN-LSTM-Attention模型三种模型的预测精度、拟合性能以及在真实的轨迹预测中的表现。结果表明CNN-LSTM能小幅提升轨迹预测的能力,注意力机制能够明显提升轨迹预测的精度且模型能够快速拟合,CNN-LSTM-Attentin模型在实际的轨迹预测中有较理想的表现。训练好的模型虽然不能直接迁移到别的水域进行使用,但是加入注意力机制的模型具有良好的拟合性,能够快速拟合使得模型在迁移学习中能够很快学习到不同的水域的轨迹特点,具有较强的鲁棒性和可迁移性。