海浪波高影响着工业生产和人们的生活,例如航海、渔业、海上军事活动、海上作业、沿海与近岸工程的规划与设计等都离不开对海浪波高的有效评估。海浪有效波高是直接体现海浪活动的重要指标,从而有必要研究海浪有效的准确预测的方法,利用海浪变化趋势为工业生产和人民生活提供有力保障。较长时间以来,对海浪有效波高的研究主要基于流体力学原理和方法,具有较强的解释性和描述性,但由于海浪波的随机性与不稳定性因素,导致预测精度不够高的瓶颈。近年来,随着人工智能的广泛应用,基于统计学理论的深度学习方法为海浪有效波高的准确预测提供了新的可行方案。深度学习方法与传统的预测方法在实现方式上截然不同。该方法是基于训练数据,并在新数据集上完成有效波高预测的方法,具有预测效果好,预测速度快的特点。本文主要研究的区域为台湾海峡。台湾海峡地理位置较为特殊,近海海域的波高受多种因素的影响,其中起主导作用的是风动力。风动力在时间上具有持续性,从而海浪有效波高也具有时间上的持续性特征。由于台湾海峡独特的“狭管效应”,以及风向呈现明显的季风特性,因此台湾海峡海况复杂。许多学者使用深度学习方法对该海域浪高进行了研究和总结,但是他们都忽略了过去一段时间内实测海浪、实测风速以及风向的内在联系,同时对未来较长的连续逐时有效浪高预测与评估存在不足,预测的精度也有待提高。本文针对以上问题,提出通过结合已有的数值模型预报的优点与深度学习的强拟合性的优势在台湾海峡的单点浮标观测值上进行了研究和验证。本文具体研究内容和创新点如下:（1）WRF-CLSF模型。我们的模型在学习过去风浪过关系的基础上融合了WRF气象预报模式对地理要素、气象要素预测算法与再分析场算法,有效地预测了未来有效波高。提出了计算风浪的惯性信息的方法以及计算风浪未来的能量预测相关信息。为有效波高预测提供了较好的动力因素。（2）基于数值模型的订正预测方法。该方法研究了基于SWAN海浪预报模型上减小最终预测误差的方法。该方法结合深度学习时间序列预测模型LSTM、GRU,结合FC模型将有效波高的预测进一步的提高。（3）平面区域有效波高预测模型。使用了Conv2D-LSTM模型对海浪特征进行时间维度上学习,使用了FC模型进行辅助学习。二维卷积操作对海域的浪传播的路径与趋势进行特征提取,LSTM对海浪特征进行时间维度上的学习,从而预测下个时刻的海浪有效波高。WRF的UV风场数据与Convo2D-LSTM的输出进行融合。最后通过反卷积操作将得到的海浪高度信息还原到研究区域中。