凭借着运输能力强,航道条件良好,通用性能佳等优势,海上运输业自起始以来在五大运输方式中居于突出地位。针对海上和水路区域的航运风险研究,尤其是船舶碰撞风险有关的决策分析,对航运安全工程开展,减少海上事故发生,污染防范和应急计划制定具有重要意义。随着船舶自动识别系统（Automatic Identification System,AIS）的发展,将航海大数据应用于风险评估和预测受到了广泛的关注。论文围绕基于AIS大数据的航运区域风险模型开展研究,主要研究内容与创新点如下:1)绝大多数的航运风险研究集中在分析单艘或一对船舶的微观模型。缺乏区域性、开放性的船舶碰撞风险评估系统会危及海上交通并妨碍航运安全管理。针对这一问题,提出了一种区域多船碰撞风险评估的方法。该方法考虑了开放水域中船舶航行轨迹的时空特征,结合了密度复杂度,多船碰撞风险算子,和相对碰撞位置的分析。根据碰撞风险可能性及其后果,评估了多船在危险接近的情况下,其区域风险的等级。最后应用机器学习中的k均值聚类算法,对区域航运风险分类,标识出高风险热点区域,从而进行可靠和准确的分析,以辅助航行的有效决策和安全措施的实施。2)现有的风险评估模型需要专家解释模型结果,因此既费时又费力。为了解决这一问题,针对碰撞风险大小,提出了一种新型的船舶相遇场景识别方法。该方法利用深度学习中的卷积神经网络（Convolutional Neural Networks,CNNs）,对两艘或多艘船舶的相遇图像进行处理,并融合船舶自动识别系统AIS的数据,回归船舶区域风险值。该方法利用卷积神经网络强大的拟合能力,通过端到端的学习过程来模拟判断风险等级的专家过程。仿真结果表明,该方法可以对船舶相遇的风险等级进行准确分类,为发展海上决策方法提供了一种新的解决方案。3)船舶航行参数预测不佳以及危险接近情况下的风险预测不准确,增加了船舶对事故应急处理的难度。考虑到这一问题,提出了一种基于非线性卡尔曼滤波的相遇船舶风险预测方法。该方法首先利用扩展卡尔曼滤波（Extended Kalman Filter,EKF）为相遇船舶下一时刻的碰撞风险分析提供最优预测数据。然后,碰撞风险估测算法根据提供的最优预测数据计算碰撞风险大小。最后,通过已获得的风险值,利用无损卡尔曼滤波（Unscented Kalman Filter,UKF）为未来航行的第二个时刻提供碰撞风险预测。仿真结果表明,该方法可以准确预测航行风险,并有效地减轻人为判断的主观错误。