随着经济全球化趋势的不断发展,海上运输逐渐成为各国间贸易运输的重要方式。但海上交通环境日趋复杂,船舶出现碰撞、触礁等交通事故的可能性不断增加,而提高海上交通安全、减少交通事故发生的一个关键任务就是实现船舶轨迹准确、高效、实时的预测。因此,针对现有船舶轨迹预测单一模型CNN（Convolutional Neural Networks）、GRU（Gated Recurrent Unit）存在精度不高、无法充分挖掘船舶轨迹时序特征的问题,基于CNN和LSTM（Long Short-term Memory）的混合预测模型（CNN-LSTM）存在运行时间较长、预测精度有待进一步提高的问题,本文进行了如下研究和探索工作:（1）船舶轨迹AIS数据处理方法研究。首先,对现有轨迹处理方法进行总结分析,根据船舶AIS数据的特点和船舶轨迹定义,对采集的AIS数据进行预处理。将异常数据分为错误和缺失状态,并对错误和缺失数据类型进行分类,针对不同类型的异常数据进行相应的剔除和修复处理,然后再对数据进行归一化处理和等时间隔处理,得到5秒等时间间隔的轨迹序列。（2）基于CNN-GRU的船舶轨迹预测模型构建。基于船舶预测问题的特征,本文构建了包含船舶经度、纬度、对地航速和对地航向的船舶轨迹特征表达模型,在分析历史轨迹的基础上,提出了一种基于卷积神经网络CNN和门控循环单元GRU的船舶轨迹预测混合模型（CNN-GRU）,在轨迹预测阶段,以目标船舶连续4个时刻（20s）的轨迹特征序列作为CNN-GRU预测模型输入,以第5个时刻（25s后）船舶轨迹特征序列作为输出,对构建的CNN-GRU神经网络进行训练,用于对未来船舶轨迹进行预测,并与现有模型进行对比。（3）实例验证分析。为验证模型的有效性,本文首先构建CNN、GRU、CNN-LSTM轨迹预测模型作为对比模型;然后选取两条船舶的历史轨迹信息分别构建实验1和实验2数据集;接着使用本文构建的CNN-GRU轨迹预测模型及其对比模型分别在实验1和实验2数据集上进行轨迹预测,最后从模型的预测精度和效率等方面对实验结果进行分析。结果表明:相较于CNN、GRU、CNN-LSTM网络模型,CNN-GRU在预测精度显著提升,经度最大误差不超过3×10-5,纬度最大误差不超过5.5×10-4,在航速和航向预测方面,精度亦有显著提升;相较于CNN-LSTM模型,CNN-GRU预测效率显著提高。