水面无人艇（Unmanned Surface Vehicle,USV）是一种重要的海上无人智能装备,可以在军事领域和民用领域发挥重要作用,是当今世界大国研究的热点。导航、制导、控制系统（Guidance,Navigation and Control,GNC）是USV的关键技术,是USV自主执行海上任务的基础。传统的GNC系统研究通常局限在宁静海况及小海况条件下,基于简化的动力学模型,采用视线导引（Line-of-Sight,LOS）等航迹控制方法,没有考虑USV在大浪中的遭遇角度及操纵问题,无法适应高海况条件下的航行任务,限制了USV的应用场景。随着近年来人工智能技术的高速发展,进一步提高USV的智能化水平,对于我国海洋事业发展具有重要意义。本论文结合传统控制理论与人工智能中的强化学习方法,针对高海况条件下USV智能操船决策、控制问题展开研究,具体包括以下几个方面:（1）建立了高海况条件下的USV动力学模型。针对现有的USV动力学模型公式分散、参数众多、应用困难等问题,本论文详细地总结了适用于高海况场景的水平面三自由度USV动力学模型。辨析了航向、艏向、漂角等基本概念,详细介绍了海水惯性力、粘性力、海风作用力、一阶海浪作用力、海流作用力的计算方法,以1.255m船模为例给出了详细的计算过程,为后续的研究提供了基本依据。（2）设计了一种考虑风浪流补偿的USV姿态控制算法。针对高海况条件下的USV姿态控制问题,该算法首先通过前馈控制律补偿了海风作用力矩,从而将USV姿态控制问题转化为一阶野本方程的镇定问题;然后基于一阶野本方程,通过根轨迹和Bode图设计了考虑航速变化的反馈控制律。仿真结果表明,加入前馈控制律能够有效提高USV姿态控制精度。（3）设计了一种基于深度Q学习（Deep Q-learning,DQN）的智能操船决策算法。提出了将安全评价机制引入到USV动力学模型中的方法,弥补了三自由度USV动力学模型未考虑海浪遭遇角对船体横摇、纵摇影响的缺陷;设计了基于DQN强化学习方法的智能操船决策算法,详细介绍了算法的原理以及动作空间、状态空间、奖励函数的设计和算法训练过程。在高海况条件下对训练好的智能方法进行打靶仿真及分析,与传统的LOS方法相比,该智能方法能够自主执行Z字操船策略,以左右舷交替顶浪的方式安全航行抵达目标点。