随着定位及通信技术的迅猛发展，可通过卫星、雷达、AIS等多种途径获取大量船舶轨迹数据。船舶轨迹数据的价值日益体现，数据处理方法的发展进步使得对轨迹数据的研究工作逐步延伸至运行模式、轨迹预测、异常监测等应用层面。尤其近年来，为了更好地服务于政府海事监管、企业航运决策等工作，实时甚至是提前获取海上船舶目的地、轨迹等信息变得尤为重要，因此，对海上船舶进行预测和研判逐渐成为当前的研究热点。本文主要围绕船舶目的地及轨迹预测方法展开研究。将连续、不规则的移动对象轨迹用离散、规则的网格序列表示，创新性地将经典的机器学习方法灵活应用于移动对象目的地及轨迹的预测问题。本文主要研究内容及贡献如下:　　1、构建船舶预测模型框架，建立了从目的地预测到轨迹预测的新的关联关系，将预测问题拆分为三个研究点，分别为挖掘研究区域潜在目的地、预测移动对象目的地、预测移动对象轨迹。　　2、针对传统目的地挖掘算法在精准度、算法效率方面的不足，提出了基于膨胀运算的目的地挖掘方法(DMDO，Destination Detection Method Based on Dilation Operation)，旨在通过二值化操作过滤可能的噪声停留点，以提高目的地挖掘的精准度，并用二维矩阵的膨胀运算替代对轨迹点的聚类操作，提高算法效率。实验结果表明，算法DMDO相比传统方法在目的地挖掘效率及精准度方面具有显著优势，解决了海上检测、提取研究区域内船舶航行的潜在目的地的问题。　　3、针对传统方法的预测要求较为苛刻，本文提出了基于随机森林的目的地预测方法(DPMBRF,Destination Prediction Method Based on Random Forest)，其核心思想是将目的地预测问题转化为分类问题，并采用分类算法随机森林模型予以解决。实验结果表明，算法DPMBRF相比传统方法将目的地预测条件从船舶至少途径一个目的地降低为至少途径一定数量网格，并保证了目的地预测的准确率。算法解决了基于船舶部分输入轨迹预测其可能的目的地的问题。　　4、在已预测船舶目的地的前提下，将船舶目的地作为已知条件，本文提出基于最近邻模型的轨迹预测方法(TPBNN，Trajectory Prediction Based on Nearest Neighbor)。算法主要采用机器学习中的最近邻模型替代传统的轨迹匹配、轨迹相似度计算方法，检索与待预测船舶具有相同目的地，并与其输入轨迹最为相似的历史轨迹，然后截取部分历史轨迹作为轨迹预测结果。实验结果表明，基于最近邻模型的轨迹预测方法的轨迹预测效果较好。算法可用于解决基于船舶一段轨迹预测其未来航行路线的问题。