随着海上船舶数量的增加和船舶航速的提高,加强船舶航行的安全和安保管理已成为全球各国的当务之急。在海上交通管理任务中,船舶航迹预测在保障船舶航行安全,实现卫星对目标船舶的实时监控,完成海上交通流量预测等领域,都有着举足轻重的作用。船舶航迹预测主要是指根据目标船舶的历史航迹对未来某段时间内目标船舶在海域中的具体位置进行预测。开展船舶航迹预测的技术研究对提升海上交通管理智能化水平具有重要的理论以及应用价值。然而,船舶航迹预测问题仍面临着许多挑战,首先,由于探测数据的非线性,以及采样间隔的不均匀性,船舶的航迹数据呈现非连续和不均匀的特点;其次,船舶的航迹与动力学模型息息相关,但由于海域环境因素的影响,难以建立准确的船舶运动学模型。因此实现船舶航迹预测仍是一个巨大的挑战。现有的针对船舶航迹预测的研究方法主要包括经典的统计理论方法和神经网络方法两大类。这些方法大多依赖于船舶的运动学模型,导致预测目标运动模式较复杂时预测精度降低;同时,大多数方法主要以短期预测为主,没有考虑航迹数据的先后时序,无法挖掘数据在时间轴上的航迹规律,因此随着预测时长的增加,船舶航迹的预测精度逐渐降低。因此,建立一种免模型的、具有较高精度、且能够实现船舶航迹的中长期预测的航迹预测模型是十分有必要的。将航位预测定义为根据目标船舶的历史航迹信息,对船舶下一时刻航位的概率分布进行预测;航迹预测定义为根据历史信息对船舶未来多个时刻的位置进行预测,将预测得到的多个位置进行连接,进而形成航迹。本文主要聚焦于根据目标船舶的历史航迹,对未来时刻目标船舶的航位以及航迹进行预测估计的问题。主要的研究内容和创新点总结如下:首先,分析船舶航迹预测问题的关键要素,提出基于卷积神经网络的航位预测方法。针对船舶航位预测问题,本文首先对目标船舶的历史航迹数据进行特征提取,采用特征图堆叠的方法,构建多维航迹特征矩阵。然后基于卷积神经网络建立了航位预测问题的求解框架,挖掘历史轨迹在时空域上的规律,实现对目标船舶未来某个时刻的航位预测。实验结果表明,该方法能够提取历史航迹数据的潜在时序特征,实现目标船舶航位的中长期预测,并且具有较高的预测精度。然后,针对基于卷积神经网络的航位预测方法无法对未来多个时刻的航迹进行预测这一难题,建立了一种基于马尔可夫决策过程的船舶航迹预测模型,提出了一种基于航行策略学习的航迹预测方法。首先,将目标船舶的航迹当作其最优决策的结果,把航迹预测问题描述为马尔科夫决策过程,从而将预测问题转换成马尔可夫决策过程的最优策略求解问题。然后,由于航迹预测问题的复杂性,直接求解马尔科夫决策过程的最优策略是不现实的,因此本文采用卷积神经网络将策略网络参数化,并利用深度强化学习方法对目标船舶的航行策略进行拟合。对比实验结果表明,本文所提出的算法不仅适用于目标船舶的航位预测问题,并且在未来多个时刻的航迹预测问题中有明显的优势。