浮式生产储卸油装置（Floating Production Storage&Offloading,简称FPSO）的单点系泊系统为船体提供了水平恢复力,实现了在海洋环境中将船体运动限制一定范围的定位目的。现有水动力和系泊等耦合分析技术多在确定的波浪、海流等条件下预测船体运动和系泊动态张力值,对于随机变化的实际海洋工程情况,在系泊力计算中只能依靠悬链线公式等静态理论进行预测。同时,物理实测设备在海上的寿命很难维持半年以上。为解决系泊动态张力无法准确获得的问题,本文基于深度学习对船体六自由度（纵荡、横荡、垂荡、横摇、纵摇、艏摇）运动响应曲线和系泊动态张力曲线之间的特征关系进行了研究,并且对短期系泊动态张力进行实时预测。本文基于深度学习开展系泊系统动态张力预测的方法研究,首先对FPSO及单点系泊系统进行数值建模分析得到船体六自由度运动响应和系泊动态张力的样本库。用软件AQWA和SESAM基于三维势流理论、悬链线公式和集中质量法对FPSO及单点系泊系统进行水动力性能对比分析,静态刚度水平恢复力特性对比分析和风浪流条件下的时域耦合系泊动态张力对比分析。本文通过编写不同的风浪流环境参数来计算时域耦合数值样本的后处理自动化计算程序,不仅可以大幅缩短样本库计算时间,而且可以为后续基于深度学习的长短时记忆神经网络模型提供训练和验证数据。通过数值模拟结果对比分析可以验证FPSO及单点系泊系统的船体六自由度运动响应和系泊动态张力的样本库具有准确性和可行性。其次,基于深度学习搭建长短时记忆神经网络（Long Short-term Memory Networks,简称LSTM）模型对样本库中的数据分别进行单工况和多工况训练,并分别保存最优系泊动态张力系数矩阵。本文用LSTM模型处理时间序列数据,特征输入为船体六自由度运动响应时历曲线,结果输出为系泊动态张力曲线和艏摇运动响应时历曲线。LSTM模型在训练过程中需要不断调整超参数以得到最小的损失函数和最优系泊动态张力系数矩阵,结果显示单工况和多工况训练都能取得较小的均方误差和平均绝对误差。最后,加载系泊动态张力系数矩阵和LSTM模型对新数据分别进行系泊动态张力预测,结果显示LSTM模型单工况和多工况预测都能取得较好的预测结果,说明本文基于深度学习的系泊系统动态张力预测方法研究具有一定的可行性。