海洋环境十分复杂,经常会出现海风、海浪和洋流等现象,故船舶在海面上作业时,会产生横摇、纵摇、艏摇等六自由度相互耦合的摇荡。摇荡会影响舰船上人员、货物的安全,除此之外,用于各类船舶上的电子设备、精密仪器对船舶的稳定性也有着不同程度上的要求。如果能够提前预知船舶在未来一段时间内的运动姿态信息,将会提高船舶在海上作业的稳定性和安全性,具有显著的军事意义、社会价值和经济价值。本文将以船舶横摇、纵摇、侧滑角以及回转角速度为研究对象,进行船舶运动姿态的预报算法研究,具体内容如下:首先,对船舶运动姿态时间序列进行预处理,然后将其划分为两部分:训练集和测试集,分别占全部数据集的百分之八十五和百分之十五。建立长短时记忆网络（Long-Short Term Memory Network,LSTM）模型并设置参数,针对一维输入的情况,将不同窗口长度进行仿真实验对比,确定最佳参数。由于船舶运动姿态数据之间存在相互影响,利用仿真实验探究数据之间的联系。其次,受海风、海浪等因素变化影响,导致船舶姿态数据波动较大,在天气突变及极端天气条件下仅利用LSTM网络预测结果往往不准,尤其是在波峰、波谷的地方误差相对较大,本文将互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）与LSTM相结合,CEEMD能够将非平稳的时间序列平稳化,再利用LSTM进行预测和重构,实验结果表明:所提出的CEEMD-LSTM模型比LSTM模型预测精度更高,对波峰、波谷位置的预测效果更好。再次,由于船舶运动姿态的数据之间存在联系,而多维输入时又会带来额外的误差,引入注意力机制（Attention Mechanism）,并利用LSTM提取船舶运动姿态的时间特征,用卷积神经网络（Convolutional Neural Networks,CNN）提取空间特征,提出了基于LSTM-CNN-Attention的船舶运动姿态预测模型。注意力机制通过算法实现对生物注意力的模拟,动态调整输入特征的权重,使模型能够在有限资源下关注最有效的信息,提取不同维度的数据的特征,实验结果表明:该模型能够得到更好的预测结果。最后,通过对不同模型的实船数据预测实验对比,完成对船舶姿态运动中的横摇、纵摇、侧滑角以及回转角速度进行多步预测,给出实验曲线及统计结果,实验结果表明本文所提算法的有效性。