水面无人艇(USV)是近些年的科研热点，这种艇在未来军用、民用领域都会有广泛的应用。无人艇经过半个多世纪的发展，已经有很多应用见于海军或者民用领域，相对于传统的船舶，无人艇有很大的优势，船型一般较小反应迅速，适应能力强，船型设计上很灵活，各种各样的船型可供选择。无人艇是信息化、智能化的，是多个领域共同发展才能够有良好的实用效果的。现在的世界只有局部战争和摩擦，但是无人保证未来不会爆发大面积战争，未来海面战争中水面无人艇将起到至关重要的作用，同时在资源探测，海洋开发，海洋探测等方面无人艇都大有用处。
　　无人艇的控制体系中最关键的一环就是航迹跟踪控制，目前所使用的无人艇控制器是以PID控制器或者相关变形控制器为主。近些年来由于神经网络和深度学习的火热，现已可见在控制器领域的应用尝试。
　　本文将尝试将神经网络(Neural Network)训练后作为无人艇航迹跟踪控制器，训练集来源是PID控制器输入输出，并且单独以训练好的神经网络作为控制器。分析这种方法学习PID控制器能力，以及能够达到的跟踪效果。尝试将深度学习模型以相似的方式进行相关仿真实验，检验深度神经网络相比于浅层神经网络在这个控制领域的应用效果，作先期研究，如果神经网络的学习能力足够强则未来需要解决的问题就是神经网络控制器训练集的来源问题，通过尝试新型的控制方法，验证在该领域使用新的控制器可能性。
　　首先本文选择水面无人艇为控制对象，并建立无人艇运动方程，在满足实验要求的前提下选择合适的运动方程——三自由度运动方程，进行水动力分析确定近似估计的经验方法，建立舵机的控制模型，因为无人艇的采用单桨单舵的驱动方法，可以建立无人艇航迹跟踪模型。可以根据视线法确定期望航向角，航迹跟踪的研究目标退化为航向跟踪的研究目标。
　　其次进行神经网络控制器设计工作。该处为文中主要创新点，将验证神经网络以及深度学习模型独立作为无人艇航迹跟踪控制器的可行性。神经网络控制器设计的第一步就是训练集的建立，由于本文仅就这一问题进行先期研究，故采用仿真的方式对PID控制器进行参数调整后，使用PID控制器的输入输出作为神经网络控制器训练数据的来源。然后将数据经过相关处理之后，制作成训练集。采用BP神经网络作为水面无人艇航迹跟踪控制器，BP神经网络发展较为成熟，使用MATLAB本身就有的工具箱进行训练，进行充分训练后，记录训练好的神经网络参数。将神经网络控制器重现，编入simulink进行仿真观察仿真效果。为优化控制器效果经过筛选，选择DBN深度学习模型作为深度神经网络控制器，以相似的过程进行DBN深度学习模型的相关仿真研究，在神经网络的深度上可以进行增加，同时不用担心训练上的复杂度的大幅增加，同时可以确定深度神经网络在此领域的表现。神经网络控制器和深度学习模型控制器仿真性能观察指标相同均为航迹跟踪，横纵向位置，以及无人艇航向角以及航向角变化率。
　　最后，进行无人艇船模实验，观察实际的实验结果，测试前向神经网络控制器在船模航迹控制上的表现，为之后的研究打下基础，从实验的角度验证控制器的控制效果和仿真过程的正确性和可信赖程度。由于实验的时间场地成本较高，不能经常进行，故本文中的仿真可以作为控制器优化的依据。