北斗系统是我国自行研制的全球卫星导航系统,可以用为渔民提供方位信息。随着大数据时代的来临,我们可以更充分的利用北斗系统提供的大量渔船的轨迹数据,为用户提供更有价值的服务。渔船在海洋中的作业方式主要有三种:拖网、围网、流刺网。不同的作业方式用于捕捞不同种的鱼类。本文使用北斗渔船监控系统提供的渔船出现轨迹数据对渔船的作业方式进行判断,通过对渔船作业方式的研究,在宏观上为相关渔业部门深入掌握各种鱼类被捕捞的数目以及各种鱼类生活区域的分布信息提供有效的决策支持,从而可以帮助制定更符合可持续发展的渔业规划,保证渔业以及海洋资源管理向更健康的方向发展。本文主要工作如下:（1）依靠北斗渔船监控系统采集到的出海渔船捕鱼轨迹数据,作为初始数据集,剔除位置、速度等异常数据,对数据集进行预处理和特征选择。对初始数据集进行特征工程,提取渔船轨迹的关键信息,主要有速度、航向相关的特征,经纬度相关特征,以及速度与经纬度之间的交互特征。设计了一种集成的特征选择方法对构造的100多个特征进行特征选择。然后利用lightgbm算法对选择的特征训练模型,从而达到对渔船捕鱼作业类型准确识别。该方法在准确率、召回率、精确率上均获得了良好效果,分别为:0.915、0.885、0.908。（2）设计了基于长短期记忆神经网络（Long Short-Term Memory,LSTM）的渔船作业方式预测算法,该算法依靠序列特征对渔船作业方式进行识别。主要工作包括确定了模型的输入数据及模型整体的架构,充分利用了北斗设备采集到的数据信息,其中模型输入包括速度、经度、纬度、航向等4个序列特征,通过对比实验选择了该模型的超参数,并分析了一些超参数以及数据处理方式对模型的影响。该方法在准确率、召回率、精确率上达到了0.893、0.852、0.890。（3）构建了基于注意力机制的深度学习渔船行为预测方法。该方法使用了2个LSTM结构。一个LSTM接收渔船的速度、航向信息,用于提取渔船速度,航向中包含的更高阶信息;另一个LSTM结构接收渔船的经纬度信息,用于提取渔船经纬度中包含的更高阶信息。然后,采用注意力机制将两个LSTM结构提取到的信息进行整合。通过实验验证了该方法在渔船作业方式识别上的优越性,并与单LSTM结构接收所有信息效果进行对比。进一步,设计了一种基于transformer的纯注意力机制渔船作业方式识别模型SAFBC（Self-Attent Ive Neural Fishing Boats Classfication）。将两个LSTM结构使用目前流行的纯注意力结构transformer替换,将速度信息和经纬度信息,分别输入到transformer的编码器、解码器中。该模型可以通过简单的信息输入就能在准确率、召回率、精确率上可达到0.918、0.883、0.919的良好效果。