海洋货物运输量约占国内进出口货运总量的90%,海上运输是国际贸易中最重要的运输方式之一。国际上,船舶操纵性预报是近年来的研究热点,而船舶操纵性预报的前提是建立准确的船舶运动数学模型。建立船舶运动数学模型的方式有机理建模和辨识建模,随着智能算法以及控制理论的发展,辨识建模被广泛的推广。为了提高船舶运动状态预报的准确性,本文将灰狼优化（Grey Wolf Optimizer,GWO）算法进行改进,并研究了以改进的GWO（Modified Grey Wolf Optimizer,MGWO）算法与支持向量机（Support Vector Machine,SVM）相结合的方式在船舶运动数学模型方面的应用。当SVM用于回归预报时,被称为支持向量回归（Support Vector Regression,SVR）。在灰箱辨识方面,本文利用SVR进行了航海模拟器中大型油船、标准船型KCS水池试验船模、“育鲲”轮实船的船舶响应型数学模型操纵性指数的辨识以及“育鲲”轮实船的非线性运动模型的参数辨识。由于受人工设置参数、环境干扰和数据集选择的影响,会导致SVR辨识的参数不准确。于是本文将SVR辨识的参数值作为参考值,利用MGWO算法在给定范围内进行辨识参数的优化,以得到更加准确的参数辨识值,即将SVR与MGWO算法有机结合,提出了SVR-MGWO算法,并在灰箱辨识建模中应用。在黑箱辨识方面,本文利用MGWO算法强大的搜索能力,为SVR寻找到指定范围内最优的超参数,即将MGWO算法与SVR有机结合,提出了MGWO-SVR辨识算法,并将其应用到船舶操纵运动辨识建模中。利用从航海模拟器中获得的大型油船仿真试验数据以及标准船型KCS船模水池试验数据作为算法的可行性验证,再将该算法拓展到“育鲲”轮实船试验数据辨识建模中。将三种来源的试验数据预处理,并将其划分为训练数据以及测试数据。首先基于训练数据样本,得到训练好的MGWO-SVR黑箱预报模型,然后将训练好的黑箱预报模型应用到测试数据样本中以预报船舶运动状态。最终的预报结果验证了MGWO-SVR算法的有效性和泛化性。综上所述,本文对GWO算法进行改进,并通过MGWO算法与SVR有机结合的形式,实现了仿真大型油船、KCS船模以及“育鲲”轮运动数学模型的灰箱建模和黑箱建模。该建模方法可以在智能船路径规划、运动精准控制以及运动仿真平台中应用。