海洋是人类的摇篮,是人类赖以生存和发展的重要环境。海洋面积约占地球面积的三分之二,海洋蕴含着丰富的资源,同时承载着人类的诸多海上生活,比如海上运输、海洋捕捞与养殖等。但是海洋环境异常复杂,海洋资源开发利用、海洋防灾减灾、海洋科学研究,都需要对潮汐、海浪等基本海况条件及其内部规律的准确把握。其中海浪灾害每年给人类带来诸多灾难及损失,根据国家海洋局公布数据,仅2016年,我国近海共出现36次有效波高4米及以上的海浪灾害,共造成经济损失约3700万元,故研究海浪并进行海浪等级监测预报具有重大意义。传统的海浪监测手段如海流计监测存在监测困难,实时性、便捷性不高;波浪仪监测存在自动化程度低的缺点;雷达监测与摄影照相测波法存在成本高的缺点。为了更精准地掌握海浪规律,需要长时间连续地海浪监测。视频监测具有实时非接触特点,可弥补传统监测手段的不足。但是海浪等级视频数据数据量大、特征复杂,同时人工提取特征困难。卷积神经网络(Convolutional Neural Network,CNN)作为深度学习成功运用的模型之一,能够克服底层特征提取困难,在视频及图像处理领域得到了广泛的应用。海浪周期性变化快,时序图像时空关联度高且特征复杂,传统的机器学习方法需要人工提取先验知识,使海浪图像的分类识别变得困难。鉴于此,本文尝试基于现场视频监测数据,利用卷积神经网络对近岸海浪的等级进行分类研究。针对海浪等级图像数据,关联国际通用海浪等级标准及波浪仪同步测量海浪等级数据,得到带标签的海浪等级数据集,对小样本数据采用数据扩增技术构建了适合深度学习的海浪等级数据集;在传统CNN基础上,在误差反向传播(Back Propagation,BP)过程中引入基于视频相关性的弹性因子来修正灵敏度,提出了基于深度学习的海浪等级分类模型架构Wave-CNNs,并将其分类结果与传统机器学习模型的分类结果进行对比分析;结合海浪等级数据集特征及Wave-CNNs模型架构,在修正BP误差灵敏度的基础上,分别在取景框大小、数据集比例、网络深度和超参数优化等方面进行了优化实验,提出了适用于海浪等级分类的优化参数及策略。首先,进行近岸海浪等级的分类研究。其一,基于大洋山深水港生态基地的海浪视频监测数据,通过一系列处理,构建了面向海洋环境适用于深度学习的三个等级海浪数据集,包括海浪等级训练集、验证集和测试集;其二,针对海浪等级视频的高时空相关性,引入误差函数作为弹性因子,通过优化模型内部基(Bias)的灵敏度(也即误差对一个节点全部输入的导数)改善过拟合提高模型泛化能力,然后设计卷积层、采样层的卷积核大小及数量、采样半径等参数,提出了适用于海洋领域海浪等级深度学习模型架构(Wave-CNNs)。在所构建的海浪等级数据集上,Wave-CNNs与传统机器学习模型(支持向量机、贝叶斯网络)进行对比实验,结果表明Wave-CNNs的分类精度优于支持向量机和贝叶斯网络。然后,针对如何改善Wave-CNNs模型对海浪等级数据集分类精度问题,提出适用于近岸海浪等级数据集的整体及局部优化策略。其一,Wave-CNNs采用整体优化策略前后对比实验显示卷积核数量及大小,引入正则化、Dropout可以有效改善模型分类精度,提高识别准确率。其二,采用Wave-CNNs进行局部优化,分别在取景框大小、数据集比例、网络深度和超参数优化等方面进行了对比实验。在海浪等级分类方面,得到了最优的取景框大小,海浪等级训练集与验证集的最佳比例,最佳网络深度,最佳的学习率,最优批处理大小。这些参数优化使得Wave-CNNs的分类精度由70.33%提高到92.33%。本文通过对大洋山长时间序列海浪等级视频数据进行深入分析,构建了面向深度学习的近岸海浪等级数据集,提出了基于深度学习的近岸海浪等级分类模型(Wave-CNNs)。论文所取得的研究成果可用于海浪视频监测系统,为近岸海浪等级预警预报提供理论支撑。