近年来,随着人工智能、大数据等的兴起,智能船舶成为发展的前沿与趋势。船舶的航线优化作为智能船舶的关键技术,有利于提升船舶航行的安全性、经济性,对推动船舶向着绿色化、智能化发展意义重大。然而,当前在进行航线优化的研究中仍然存在对能效数据缺乏有效挖掘和分析,无法精准的构建油耗预测模型以实现高效的航线优化的问题。因此,为提高船舶航线优化结果的优异性,本文将对船舶的油耗预测模型及航线优化方法进行研究。考虑到工况复杂,影响因素众多,而当前采用聚类进行工况识别时大多是基于工况数据点的研究,难以对工况进行有效的刻画,本文研究基于深度时间聚类的工况识别方法,提出了船舶工况序列的相似度度量,并基于此相似度度量和Kmeans构建了基于深度自编码器的工况识别模型,可以同时实现对工况序列的深度特征提取与聚类。结果表明,通过结合工况相似度度量和深度时间聚类网络可以提高船舶航行工况识别的准确性。考虑到相同时刻下不同参数对于船舶油耗的特征重要程度以及相同参数在时变条件下对于船舶油耗的时间重要程度不同,而现有采用黑箱模型进行油耗建模时缺乏对各油耗影响因素重要程度的考虑,本文引入了特征注意力机制和时间注意力机制,构建了基于双注意力机制的船舶油耗预测模型;结合深度时间聚类的工况识别模型,构建不同工况条件下的油耗预测模型,并给出了油耗预测的整体方法。结果表明,结合本文提出的深度时间聚类的双注意力机制的油耗预测模型,可以实现油耗的高效预测。考虑到风、浪、流等众多因素的时空复杂性且船舶在进行航线优化时应满足安全、成本要求,提出了基于改进蚁群算法的船舶航线优化方法。首先,以最少油耗和最低风险为目标构造双目标优化函数;其次,采用栅格法对真实海洋环境进行建模;最后,针对船舶航行应用场景,分别从启发式信息、状态转移规则和信息素更新三个方面对基本蚁群算法进行改进,以求解船舶航线优化问题。结果表明,该方法可以实现航线的有效规划,给出船舶操纵人员以可靠的航行方案。结合本文研究内容和航运公司需求,本文还对船舶能效智能管理系统进行了设计与开发,为航运公司进行能效管理提供了技术支持。