船舶在多方面因素的影响下极易产生非线性的六自由度随机复杂运动,这些运动对船舶及人员安全、海上作业效率及安全,尤其是对航空母舰上舰载机安全起降的影响都很显著。因此,船舶运动姿态的准确预测对有效调整和控制船舶运动姿态、及时调整舰载机的起飞降落都有实际价值,对我国的国防事业具有非常重大的意义。本文针对船舶运动非线性、往复性和难以准确预测的特点,提出一种自适应动态粒子群优化算法(ADPSO)和双向长短期记忆神经网络(双向LSTM,BiLSTM)结合的组合预测方法对船舶运动姿态进行预测。本文首先对船舶运动姿态预测的经典方法进行分析和总结,针对船舶运动数据是一组非线性时间序列的特点,选用长短期记忆神经网络进行船舶运动姿态的预测。在研究了长短期记忆神经网络的结构原理及应用的基础上,选用BiLSTM神经网络对船舶运动姿态进行预测,并通过实验搭建合适的循环神经网络模型进行预测仿真对比实验。其次,针对神经网络初始结构参数随机设定的缺点,引入粒子群优化算法寻找神经网络的最佳结构参数,进而节省调节参数的工作量和时间,并且提高模型预测准确度。研究发现,原始的粒子群优化算法存在易于陷入局部极值的问题,本文从粒子群算法的参数调整策略出发,提出ADPSO算法。通过对几种常见的测试函数的寻优迭代实验,验证ADPSO算法有效的规避了原始粒子群优化算法容易陷入局部极值的问题,并且能够快速的找到全局极值,拥有良好的寻优性能。最后,将ADPSO算法与BiLSTM神经网络结合得到ADPSO-BiLSTM预测模型,并用此模型对船舶运动姿态进行预测。通过对实测船舶运动数据的实验,将单纯的循环神经网络模型和算法优化的神经网络模型进行对比,分别在训练损失函数迭代变化曲线、预测结果曲线、预测误差曲线以及评价指标方面进行比较分析。实验结果表明,本文提出的基于ADPSO算法优化BiLSTM的神经网络模型的船舶运动姿态预测结果曲线与真实运动曲线拟合得更好,具有更好的预测性能。