近年来，随着信息技术的发展，如何将智能信息处理方法应用于海洋渔业中，有效地对海洋环境数据和生产作业数据进行处理，获取海洋渔业知识，提高渔情预测的准确性，是摆在研究者们面前亟待解决的问题。 已有学者将数据挖掘方法应用于渔情智能处理，但存在以下不足：(1)目前基于智能信息处理方法的渔情预测所涉及的海洋环境因子较少，仅包含水温和海面高度，从而渔情预测精度受到一定影响。如何将目前可获得的众多海洋环境因子有效应用于渔情预测成为一个研究的主要内容；(2)目前海洋环境数据丰富而实际定点作业数据积累较少，可满足数据挖掘应用的数据不足；(3)传统渔情预测模型的构建中大部分采用多元回归分析法，然而回归分析的前提是因变量之间独立和正态分布，这对于动态的海洋环境变量不易达到。需要确定一种更为合理有效的预测方法；(4)目前得到的渔场知识都为静态知识，而海洋环境因子和渔场均为动态变化的，能体现环境因子和渔场间变化关系的动态知识更为重要。 针对以上四个问题，通过大量阅读渔情预测方面的文献并结合渔业数据及海洋环境数据的特点，本论文利用支持向量机、模糊集、可拓数据发掘等技术的优点，提出一个面向渔情的智能处理模型，对该模型中的各模块以及模块间的有机组合进行分析研究；用计算机进行原型系统的开发实现，并通过印度洋大眼金枪鱼延绳钓渔获数据及印度洋海域真实海洋环境因子数据进行挖掘应用，对该模型及其关键技术的有效性进行了验证，得到能够揭示渔场形成机制的静动态渔情知识，并构造出优于传统方法所得的渔获量预测模型。该处理模型的核心内容为以下几个方面： (1)首先对于挖掘方法的选用，针对海洋环境数据不满足正态分布的特点以及渔业作业定点数据积累少，真正可用于挖掘的数据量稀少两个特点，选用支持向量机(SVM)作为该处理模式的核心方法。支持向量机以统计学习理论为理论依据，解决了传统方法如多元线性回归及神经网络中的不足之处，效果要优于传统方法；由于基于结构风险最小化原则，因此非常适合处理小样本学习；支持向量机(SVM)分为支持向量分类器(SVC)和支持向量回归机(SVR)，可以用于渔情知识的挖掘和渔情预测模型的构建； (2)利用支持向量分类器(SVC)，对由海洋环境因子及延绳钓产量数据组成的样本，选择合适的核函数及相应参数进行学习，得到一系列支持向量，由于这些支持向量都是最靠近分类超平面的点，这些点在渔业生产中往往表达了海洋环境因子的边际范围，而其它的点则会在支持向量所表达的边际范围内，因此对其采用模糊集合划分密度的确定方法将其属性值抽象到语义值，通过对样本支持向量的提取，即可获得相应的表达环境因子边际范围的模糊规则的静态知识，得到一组IF…THEN的模糊规则，即渔业静态知识。 (3)将获得的粗糙静态知识进行可信度评价以及冗余冲突处理，就可以得到最终的静态知识。由于静念知识不足以表达充满变化关系的渔业，将可拓数据挖掘理论对得到的模糊规则进行进一步知识挖掘，将静态规则进行可拓变换，从而得到比静态知识更有价值的渔场动态知识。 (4)利用支持向量回归机(SVR)，通过对海洋环境因子及延绳钓产量数据的不同方式组织，选择相对应的核函数及参数，构建预测印度洋海域大眼金枪鱼延绳钓渔获量的预测模型。 本论文首次针对渔业提出了一种面向渔情的智能处理模型，对该模型中的关键技术进行深入研究。该模型可获取更有价值的渔业知识，提高渔情预测的精度。文章利用印度洋大眼金枪鱼的实际生产数据和多因子海洋环境数据(包括海水表面温度SST、海水水温垂直分布、海水表温距历史平均值SSTA、海水盐度垂直分布、海水纵横流速垂直分布等6类)进行该模式的实际应用验证。该面向渔情的新型智能处理模型为渔情预测研究开辟了一条新的道路。