海洋监测系统主要负责对海洋情况进行视觉监视和参数检测。随着人工智能技术的崛起,将深度学习技术应用于海浪检测上的研究成为了海洋监测系统的发展趋势。目前将深度学习应用在海浪参数检测上的研究大多数只关注到二维卷积神经网络对海浪图像的二维特征提取,网络模型只能学习到海浪图像的空间信息。为了能对海浪运动的时间信息加以利用,本文通过将二维卷积核增加时间维度扩展成三维卷积核,提出一种基于三维卷积核的神经网络模型（Wave-3DCNN）,利用该模型实现了海浪浪高反演算法。本文的主要工作如下:首先,针对海浪浪高检测的要求对海浪浪高等级进行更为精细的划分,制作针对云霄数据集的海浪等级与浪高数值的对照标准。在传统的提取海浪图像空间特征的基础上,通过将二维卷积核在时间维度上进行扩展成为三位卷积核,构造出可以同时提取海浪时空信息的特征提取块（3D-Block）。在该特征提取块的基础上构造出一个轻量级的三维卷积神经网络的海浪浪高等级分类网络模型（Wave-3DCNN）。其次,对采集到的海浪视频进行数据预处理和真值标注,制作海浪视频数据集。在该数据集上对Wave-3DCNN进行训练与模型优化,使网络分类准确率达到88%。然后将本文模型与二维卷积神经网络和其他三维卷积神经网络的模型进行实验对比与分析。接着在测试集上对本文模型进行测试并将等级结果反演为浪高结果,对测试的浪高结果的平均相对误差进行统计并与其他模型进行对比分析,并对检测结果的可信度进行了分析。通过进行分类模型的评价指标比较,海浪浪高检测误差的比较与模型的复杂度分析,证明了本文模型在海浪等级分类判别和浪高检测上具有较大的优越性和可靠性。最后,将该算法实际应用海浪视频检测上,可直接对海浪离线视频和实时视频进行处理,对不同等级的海浪进行分类判别和浪高检测,并将检测结果实时显示在海浪视频上。