受到海洋环境中风、浪、流等环境因素的作用,船舶在海上作业中会不断产生六个自由度的摇荡运动。海浪引起的船舶摇荡运动是影响海上作业安全和效率的不利因素。实时对未来数秒内的船舶运动姿态进行准确、可靠的预报是提高作业安全和提升作业效率的关键。中高海况下,船舶摇荡运动具有非线性特征。因此,发展非线性的船舶运动实时预报模型具有现实意义。长短期记忆(Long-Short Term Memory,LSTM)深度学习网络由于其在处理非线性时间序列上具有独到的优势,为非线性船舶运动实时预报提供了一种有力的手段。本文基于深度学习技术对使用GN理论数值模拟生成的船舶运动时历数据开展了船舶运动极短期预报方法的研究。本文首先分析比较了包括深度前馈网络,循环神经网络,长短期记忆网络和门控循环网络模型在内的不同神经网络模型的原理,在Tensorflow及其上层框架Keras下验证了长短期网络模型的优势,并仔细分析了 LSTM模型搭建中的计算策略选择,给出了一套行之有效的网络模型设计方案,同时计算验证了其结果。以满足实际工程应用为前提,本文重点关注了 LSTM网络模型的输入向量定阶问题,分析验证了传统方法的不足,创新的给出了一种基于自相关函数的定阶方法,并计算验证了其合理性。对于数据预处理对模型预报结果的影响方面,本文一方面基于数据归一化方法来适应LSTM网络层中的实际训练需求,另一方面使用EMD分解的处理方法来改善数据非平稳性对模型预报结果的影响,使其在中高海况下的应用环境中表现更优。最后,本文给出了混合海况预报模型的实现方法,并进行了计算验证。