航运业是世界经济的支柱,全球80%的贸易通过海运完成。频繁的海上运输所带来的碳排放及环境污染不容小觑。实现航运业的节能减排,其中一个重要研究课题即是对船舶油耗进行精准建模。随着传感器技术的不断进步,现代船舶上安装了各种类型传感器,大幅提高了油耗数据的采集能力。虽然多源数据采集能力得到加强,但因为各传感器采样频率不同,导致所采集油耗数据时域不统一,存在异构问题。针对油耗数据的多源异构问题,本文提出了一种船舶油耗预估模型,主要包含3个模块:多源数据采集模块,异构数据特征提取及融合模块,船舶油耗模型建立模块。本文的主要研究内容如下:（1）在多源数据采集模块,通过安装在船舶上的各类传感器收集与船舶油耗相关的数据。分析了各类传感器的数据分布情况,然后对油耗变量与油耗的相关程度进行了相关性分析。（2）在异构特征提取及融合模块,为了统一各类传感器数据的时域,对传感器数据进行分帧及帧移,并讨论了帧长和帧移对分帧效果的影响。然后针对分帧后的一帧内数据进行特征提取,并提出两种特征提取方法:统计特征和时间序列特征。其中,统计特征包含统计特征A和B。在特征提取之后,将统计特征与时间序列特征进行结合,组成融合特征。然后对比了融合前特征及融合后特征在表示原始传感器数据上的差别。（3）在船舶油耗模型建立模块,使用机器学习方法进行建模,例如线性回归,支持向量回归,人工神经网络等,并使用融合后特征作为机器学习方法的输入。首先,根据各油耗变量相关性分析的结果,选取适合各机器学习方法的油耗变量。然后分别对支持向量回归和人工神经网络进行调参,选取参数最优的模型。最后,对比各油耗预估模型的精度,得到油耗预估最优模型为:统计特征B与时间序列特征融合特征与人工神经网络结合,使油耗预估精度可以提高51.5%左右。（4）将船舶油耗预估与航迹预测进行结合。通过选取的船舶油耗预估最优模型,并加入船舶位置信息,在预估下一时刻油耗的同时,也可以预测下一时刻位置及速度信息。本文提出了一种基于多源异构油耗数据的船舶油耗预估方法,通过对数据进行分帧及帧移统一时域,并对帧内数据进行特征提取及融合,并结合人工神经网络方法,提高了船舶油耗预估精度。然后将船舶油耗预估与航迹结合,在实现油耗预估的同时,也可以对船舶位置和速度进行预测。本文的研究成果使得大量现有传感器油耗数据可以被用于油耗建模,精准的油耗预估模型为后续油耗管控及油耗优化奠定了基础,对实现航运业节能减排具有一定的应用价值与意义。