海洋水文气象数据的精准预测对于人类开发海洋资源、预防海洋灾害、保护生态环境等活动至关重要。随着海上作业、海洋生产等活动的日益增加,对海洋中海表温度、海表盐度和海面风速等数据进行及时、准确地预测也愈加关键。神经网络是预测领域的研究热点,本文以神经网络预测模型为研究方法,基于海洋观测浮标监测到的海洋数据进行短期预测,在海洋科学领域中探索出数据预测的可靠研究路线。本文主要研究内容如下:首先,对海表温盐数据进行短期预测研究。在预测天数固定为5天的情况下,对不同训练天数的预测结果均方误差进行对比,确定以20天的观测数据作为训练集时预测结果相对最优;然后在单站点观测浮标获取的2009年1月、4月、7月、10月海洋数据中,选取各月前20天海表温盐数据作为训练集,分别训练BP和RBF神经网络模型,并运用到各月第21至25天的海表温盐数据预测中,结果表明BP和RBF神经网络都可以有效应对数据的季节性变化,并且RBF神经网络的整体预测效果优于BP神经网络;最后通过多站点数据预测实验,证明了RBF神经网络预测模型具有较强的适应性和精确性。其次,提出了一种基于LSTM神经网络的海面风速短期预测模型。选取Ocean SITES数据库中单个浮标站点采集的风速历史数据作为输入并训练预测模型,通过设定不同预测时长进行海面风速短期预测实验,同时与BP和RBF神经网络预测模型的预测结果对比,证明了LSTM神经网络预测方法的优越性。最后通过多个海域对应的站点数据预测实验,验证了LSTM神经网络模型的普遍适用性。由预测值与真实值之间的相关性系数验证以及预测误差的对比分析可知,应对急剧变化的数据时,该方法仍具备预测的稳定性。最后,利用自主研发的多参数海洋监测浮标在相关海域开展海上实验,基于接收到的海洋数据对神经网络预测模型的实用性进行预测方法实际应用。通过海表温盐和海面风速的预测研究,证明了神经网络模型进行短期预测的有效性。对比实验的预测结果可知,对于变化趋势平缓的数据,LSTM神经网络模型的预测误差略高于RBF和BP神经网络模型,但总体性能仍然较好。通过预测误差以及预测值与真实值的相关性系数分析,证明了LSTM神经网络可以高精度地预测各类海洋数据,同时具备较高的预测稳定性,并且RBF神经网络模型在处理变化相对平缓的海洋数据时也具备可靠性。