近年来,海洋灾害的频繁发生和规模的不断扩大,严重破坏了海洋生态系统的平衡,使近海旅游业和水产养殖业蒙受巨大损失,也严重威胁着人类的生命安全。海洋部门已经积累了TB乃至PB级的海洋数据,并且每天仍以GB量级增加。传统的有监督方法需要大量的标注数据作为训练集,而半监督聚类对标注数据没有太高的要求,并可以利用大量的无标注数据对模型进行调整,从而降低标注成本。为此,本文以浒苔和赤潮灾害为例,基于半监督学习机制进行浒苔检测和赤潮预测。另一方面,海洋灾害是复杂的多因素相互作用而产生的现象,为此,本文以赤潮灾害为例,基于复杂网络理论对影响赤潮发生的因素建立了关联网络,并进行了拓扑分析,从而为赤潮预测提供依据。具体而言,本文主要工作如下：(1)提出了一种面向浒苔检测的半监督聚类框架。首先,基于少量的标签数据获取成对约束形式的实例层知识；然后,采用测度学习构建优化问题,求解新的距离度量,从而新的距离度量将数据集划分成两个簇；最后,基于标签数据识别簇的类别。在真实的浒苔数据集上验证了方法的有效性。(2)提出了一种基于半监督聚类的赤潮预测方法。针对样本比例不平衡问题,改进了融合成对约束的测度学习策略,赋予较苛刻的约束条件,从而尽可能增大簇间的间距。进而,结合具体需求将方法应用于赤潮预测。在2003年～2009年的赤潮检测数据集上验证了方法的有效性。(3)基于复合网建立了赤潮监控网络模型。基于复杂网络理论对影响赤潮发生的各个因素构建了因素子网,通过对网络拓扑性质的分析,明确了各影响因素之间的关联。基于复合网理论,依据空间距离和水质建立了赤潮站点的复合网络,从而为监控赤潮提供依据。