台风是最严重的自然灾害之一,北太平洋西部具有世界上最频繁的热带气旋（台风）活动,在过去几十年中,台风造成的生命威胁以及经济损失已成为严重影响沿海地区人民正常生活的因素。因此,如何准确预测台风路径,辅助气象监测部门对台风进行准确预报,已成为当下热门的研究课题。然而由于台风轨迹有诸多影响因素,导致难以进行特征因子的提取,且需要的计算成本高。传统方法需要结合众多相关领域的先验知识,在耗时耗力的同时,预测精度和时效性也相对较低。随着计算机技术的不断发展,迄今,台风的监测系统已经完成了海、陆、空三维一体的布局,从1949年来积累了大量的台风相关数据。与此同时,机器学习、深度学习技术的在大数据的众多领域取得突破,一些研究人员开始尝试将其引入台风轨迹预测的研究中,取得了许多不错的成果。基于此,本文结合了注意力机制和深度学习模型来进行台风轨迹预测的研究,首先从特征和时间上对输入的台风特征分配权重,然后使用编码器-解码器网络进行训练,能够更好的训练特征和时序对预测结果的影响权重大小。然后进一步研究了台风发生期间的相关的环境要素对台风轨迹的影响关系,旨在提高目前深度学习方法下台风轨迹预测精度,具体研究成果如下:1)针对单要素台风轨迹数据,使用基于双注意力机制的编码器-解码器模型,提高了预测精度。首先根据台风轨迹数据计算台风轨迹的变化曲率,将台风曲率序列与台风轨迹序列一同作为预测模型的特征输入,充分考虑了台风轨迹中隐藏的转向、偏折信息;然后构建双注意力机制增强的编码器-解码器网络（DAEncoder-Decoder,DA:Dural Attention）作为预测模型,利用特征注意力机制和时间注意力机制分别对模型输入和隐藏状态进行权重分配,能够学习输入特征和预测目标之间的关联关系,并且有效解决编码器-解码器结构对过长序列预测的性能下降问题,编码和解码器分别采用LSTM网络,能够存储长时间依赖并且收敛性好,不易发生梯度消失或爆炸;实验结果表明该方法能很好的利用数据特征和时序性,预测轨迹的走向。在一定程度上提升了台风轨迹的预测精度。2)针对多要素台风轨迹数据（包含213个台风发生时期海气物理量）,首先利用逐步回归对多要素台风数据进行要素筛选,剔除相关性低的部分要素以及同条件下的冗余要素,得到了27个台风发生期间的相关要素,然后使用皮尔森相关系数进一步筛选变量,并且同时考虑要素分别和经纬度的相关性,最终筛选出7个显著相关性的台风发生时期相关要素。最后构建了基于双注意力机制的Encoder-Decoder网络作为预测模型,本章的编码器和解码器均使用Bi-LSTM网络,能够兼顾输入数据历史状态和后续状态,解决台风发生期间可能存在时滞性的问题。实验结果表明台风时期相关要素对台风轨迹预测具有一定的辅助作用,能够提升一定精度。验证了该方法的有效性。