本论文主要研究如何采用神经网络技术实现对高性能船运动的实时预报，以及研究如何建立能准确描述船舶运动的数学模型。主要工作如下：1.对于船舶运动时间序列，提出了非线性预估差值的预报方法。 2.建立两类神经网络预报模型：外部延时网络和部分反馈网络。并分别推导了相应的学习算法。 3.编制神经网络预报程序，应用一艘集装箱船和一艘穿浪艇的试验资料对程序进行了测试。 4.建立了考虑平均航速影响的一般船舶运动非线性方程，为应用系统辨识技术预报船舶运动提供了一个有效的数学模型。 5.作为例子，应用线性参数辨识技术辨识了船舶垂荡和纵摇线性耦合方程中的系数。 通过本文的工作，得到了下面一些结论： 1.利用非线性预估差值法对船舶运动进行预报，可以很好地解决样本量限制问题。 2.延时单元网络和部分反馈网络都可以成功实现对船舶运动的实时预报。二者在预报的精度上区别不大。 3.由于输入组织更为简单，部分反馈网络要优于延时网络，特别是输入维数较大（比如多自由度运动预报）时，可以节省资源。 4.增大信号的采样频率，可以提高预报精度。采样频率越高，预报的平均误差越小。但是到了一定值后，误差渐渐稳定。 5.基于能量法推导船舶运动方程的方法可以方便地导出高阶非线性运动方程，并以显式的方式给出了不同项对平均航速的依赖关系。