船舶在波浪中六自由度运动的时域预报问题是一项为国际航运界、船舶工程界，尤其是各国海军所关注而至今未能很好解决的课题。目前，在解决船舶运动预报问题时常常采用时间序列分析、灰色系统理论和神经网络等方法，这些方法的最大优点是无需知道海浪的任何先验信息和船舶航行姿态的状态方程，仅仅通过在船舶运动的历史数据中寻求规律，进而进行预报。然而这些数据通常表现出多变量动态演化行为和多层次结构等特点，若想得出十分确切的预报模型比较困难，但是运动序列具有一定的规律性，如某时期的发展变化与以前某时期的发展有着相似或相同的规律等。因此，为进一步提高船舶横向运动预报的有效预报时长及实时性，本文借鉴基于数据驱动的预报思想，从两个方面分别分析了横摇运动姿态时间序列的内在特征及演化特征，同时针对性的结合神经网络方法和支持向量机方法设计了几种预报模型。具体内容包括以下几方面：首先，针对传统单一的预报方法难以在信息贫乏和不确定条件下做出准确预报的问题，设计了基于经验模式分解的船舶运动姿态混合智能预报模型。对横摇运动姿态时间序列本身的特征进行深入的分析和研究，采用经验模式分解方法把不同的特征信息分解开来；采用游程法将若干个基本模式分量和一个余项重构为高、中、低频三个分量，使得预报对象数目固定；针对每个分量建立不同的信息熵加权Elman神经网络预报模型；采用GRNN神经网络对各个预报分量的结果进行加权求和，并输出最终的预报结果。其次，由于船舶运动姿态的不确定性与混沌特性是紧密相连的，针对船舶运动姿态的非线性、不确定性。对四种不同海情下的横摇运动姿态时间序列的混沌特性问题进行了具体的分析。在横摇时间序列的相空间重构方面，讨论了延迟时间与嵌入维数的选取方法，采用互信息函数法和假近邻法分别计算了各横摇序列的最佳嵌入维数和时间延迟。在混沌特征分析方面，绘制了船舶横摇时间序列的三维相图，并分析了随机序列、Lorenz映射及横摇时序这三种三维相图的各自特点及区别；同时采用饱和关联维数法和小数据量法对船舶横摇时间序列的关联维数、Kolmogorov熵以及最大Lyapunov指数进行计算，从定性和定量两方面来证明横摇运动姿态具有一定的混沌动力学特性。接着，针对横摇运动姿态的混沌特性，通过相空间重构来近似恢复原来的多维非线性混沌系统，并结合适用于非线性、小样本、不确定性问题的支持向量机回归方法，建立基于改进支持向量机的混沌智能预报方法，利用吸引子在不同层次间的自相似结构进行预报。在支持向量机回归方法方面，主要研究内容包括：鉴于常用的核函数在理论上不可能逼近平方可积空间上任意曲线的问题，构造满足Mercer条件的Marr小波核函数；调整最优化问题的置信范围，建立参数b与最优化问题的对偶问题最优解之间的关系，获得变异支持向量机，其对偶问题少了一个约束条件，具有更加简洁的形式；设计鲁棒损失函数，建立了满足基于间隔的结构风险最小化原则的分段式支持向量机问题，使算法具有更强的鲁棒性；用单松弛变量代替两个松弛变量来控制误差的大小，设计了改进支持向量机，即单松弛变量鲁棒小波ν支持向量机，减少了对偶问题的优化范围，提高了运算速度；根据基于几何间隔的结构风险最小化原则，对改进支持向量机的若干结论进行了证明。在参数组合优化方面，针对标准粒子群算法局部搜索能力差及早熟收敛等问题，提出了多种群协调进化自适应混沌粒子群算法，通过混沌初始化种群策略和多个子种群相互协调策略的设计，达到了自适应调节各自惯性权重和学习因子从而进行种群进化的效果。最后，研究了船舶运动时间序列的在线预报方法。针对采用离线训练方式的预报模型在训练时并没有考虑样本的动态特性导致长时间的预报精度下降很快这一问题，研究了支持向量机的在线式学习算法，提出了混沌在线最小二乘支持向量机在线预报模型。此模型使得历史数据的训练结果得到充分利用，完成了在线更新样本集和回归函数，在线预报。针对超参数不能随着样本的变化而进行自动调节的问题，提出了最小二乘支持向量机在线建模策略。采用启发式规则在三个最小二乘支持向量机的交替工作过程中自动更新支持向量机超参数，由此设计了变参数最小二乘支持向量机在线预报方法。预报模型采用变化的参数替代固定的参数，更加确切的解释了存在于样本中的可变性。这种建模方法可在过程的不同变化时段调整预报模型的表达式，具有一定的自适应调节能力。本文的研究成果具有重要的理论研究意义和潜在的应用前景，其研究成果可推广到船舶纵摇、艏摇运动预报及其它领域的时间序列预报研究中去。