潮汐预报在海上交通、港口建设和潮汐能利用等领域都具有重要意义,随着航运业的不断发展,以及对航行安全和航运效率的要求,对潮汐数值预报的精度也提出了更高的要求。将神经网络应用于潮汐预报领域是近年来出现的一种新的研究方向。反向传播学习(Back Propagation)申经网络在模式识别和系统预测领域应用广泛,本文将BP神经网络用于潮汐预报,对BP神经网络在潮汐预报领域的应用进行了探讨。传统调和分析法进行潮汐预报时,由于仅考虑了潮汐天文潮部分的影响,导致其在复杂环境因素影响下的海区预测精度明显下降。针对传统调和分析预报方法无法实现潮汐非天文潮部分准确预报的问题,本文建立了一种使用BP神经网络直接进行潮汐预报的模型。该模型基于实测潮汐数据进行实时的短期潮汐预测,提高了短期潮汐预测精度。模块化设计是解决复杂非线性问题的一种思路,通过分析潮汐的组成成分,提出了一种基于BP神经网络的模块化潮汐预报模型。模型包含了用于预测潮汐天文潮部分的调和分析预测模块以及用于预测非天文潮部分的BP神经网络预测模块。模块化模型有效实现了预测功能的区分,将调和分析预报法能够实现长期、稳定的天文潮预报的优点与BP神经网络能够实现潮汐非线性及未建模部分预报的优点相结合。在保证预测稳定性的前提下,进一步提高了预报的精度。将提出的模块化预测模型与传统调和分析法、BP神经网络直接预测法相比较,并进行了计算机仿真验证。实验证明,对于短期潮汐预报而言,模块化模型的预测性能要强于调和分析法和BP神经网络直接预报法。