船舶在波浪中运营不可避免会产生摇荡运动,若能通过波浪与船舶运动之间建立映射关系进行极短期预报,就能提前掌握船舶的摇荡运动情况,从而提高船舶运营的安全性。机器学习方法是船舶运动极短期预报研究领域中一种重要研究手段。长短期记忆（Long Short-Term Memory,LSTM）神经网络作为一种机器学习网络算法,具有强大的非线性拟合能力及长时记忆能力,能够有效处理时间序列数据。本文利用CFD仿真获取的波高和船舶运动历时数据,基于LSTM神经网络建立不同数据输入特征的船舶运动预报模型,主要研究考虑波高输入因素的船舶运动极短期预报方法,具体展开以下工作。1、通过粘性流求解器STAR-CCM+,模拟五级随机海浪中零航速船舶在横浪条件下横摇和垂荡运动以及迎浪条件下纵摇和垂荡运动,获取不同位置处波高和船舶运动历时数据,用于本文船舶运动极短期预报研究。2、建立基于LSTM神经网络的船舶运动预报模型。首先,采用以横摇自身数据为单特征输入的横摇直接预报方式进行LSTM神经网络参数分析,研究模型参数对船舶运动预报精度的影响。其次,采用最优参数分别进行横浪中船舶横摇和垂荡、迎浪中船舶纵摇和垂荡运动的直接预报,并对有效提前预报时长进行了分析。再次,通过LSTM建立双特征输入的船舶运动相互预报模型,与直接预报方式相比,基于双特征输入的预报方式可改善横浪中船舶横摇和垂荡运动、迎浪中船舶垂荡运动的预报精度。3、建立考虑波高输入特征的LSTM船舶运动预报模型。首先,利用单点波高数据和船舶运动数据,以双特征输入预报方式进行船舶运动预报,研究不同位置波高对预报精度和提前预报时长的影响。发现当波高位置远离船舶时,提前预报时长得到改善,但预报精度有所下降;与船舶运动直接预报或相互预报方式结果相比,基于单点波高和船舶运动双特征输入的预报方式在精度与提起预报时长两方面均有大幅提高。其次,利用多点波高数据和船舶运动数据,以多特征输入的预报方式进行船舶运动预报研究。相比于基于单点波高和船舶运动双特征输入的预报结果,基于多点波高和船舶运动多特征输入的预报方式整体预报精度更为稳定。再次,考虑到波高在实际采集中出现数据缺失的问题,利用监测和预测波高混合输入的方式进行船舶运动预报,通过实际海域中波高实测数据和CFD船舶运动仿真数据验证了方法的有效性。4、开展了基于Dropout技术的LSTM模型和双向长短期记忆（Bi-directional Long Short-Term Memory,BLSTM）神经网络模型在船舶运动预报的应用研究。对于船舶在横浪中的横摇运动,选用单特征输入的直接预报方式和基于单点波高和船舶运动双特征输入的预报方式进行方法验证。与原有的LSTM模型结果相比,BLSTM模型对预报精度有改善作用,而加入Dropout技术仅对直接预报精度有一定改善。