渔场预测是根据各类信息确定海洋鱼类的主要活动区域,而渔场预测研究的核心即是对船只捕鱼行为的识别。目前相关领域研究已经给出了多个船只行为识别的解决方法,大致分为两类:1.基于传统统计学习的预测方法。这类无监督方法虽然解决了大部分AIS数据没有航行行为标签的问题,但预测效果较有监督的深度学习方法差。2.基于深度学习的预测方法。这类方法预测效果好,但其数据的获取依赖于专家标记,成本较高。为解决上述问题,本文利用半监督学习的思想寻找成本和效果的平衡点。本文使用模糊熵和PU learning等方法,利用船只捕鱼和非捕鱼航迹间的差异清洗原始数据集,得到足够可靠的样本标签。在此数据集的基础上,本文将目前常用于捕鱼航迹预测的多个方法用于验证。结果表明大部分深度学习模型在该数据集上有不错的表现,数据清洗使得模型的预测效果提高了20%的准确率。预测效果的横向对比显示,该数据清洗方法能够在一定程度上取代主动学习的数据获取方式。在真实的船只航迹中,由于船只AIS数据的发送频率会受到卫星信号以及延迟的影响,导致AIS数据前后的时间间隔不相等。而对于捕鱼状态这一持续行为的预测,时间间隔是一个非常关键的因素。针对这一问题,本文提出了一个变长时间间隔长短期记忆网络（variable time long short-term memory,VTLSTM）。VTLSTM在LSTM的门控机制上针对时间间隔设计了两个时间门,通过时间门提取航迹点间的时间间隔信息。最终的实验结果表明,本文提出的VTLSTM混合模型在船只捕鱼行为预测上相比传统模型提升了1.5%的准确率。最后,本文通过统计,从渔船行为的角度,将渔船渔业行为预测结果上升到渔场预测上。结果表明本文提出的渔场预测方法足够可靠,这一结果能够为海洋生态保护等研究提供新的数据和视角。