海南常受到灾害性海浪侵袭,灾害性海浪预测是防灾减灾的重要组成部分。台风是海南近海海域灾害性海浪的主要来源,通过机器学习方法,开展台风引起的灾害性海浪预测研究,对海南近海海域的防灾减灾工作有着重要的指导作用。目前国内外在灾害性海浪预测的研究工作主要集中于开发物理数值模型,缺点是运算效率低,时效性差。针对这一实际问题,分析台风对海浪波高的影响,构建海浪波高预测模型,进一步结合实际应用,利用台风离散数据构建灾害性海浪预测模型,判断当前台风是否会引发灾害性海浪,提醒沿岸人民及早进行防灾措施,论文的主要工作和贡献有以下几点:1.以三亚附近海域的海浪波高预测作为切入点,研究海南岛附近海域台风路径、风场以及海浪场的时空分布特征,分析台风参数与海浪波高关联性,更进一步将南海海域春夏秋冬四季的平均风速、风向、海浪波高、海浪波向数据可视化,计算各个季节南海海域海浪波高与风速的相关性,为后续开展海南岛附近海域海浪波高预测工作奠定基础。2.对海南岛附近海域的台风、风场和海浪场数据集进行数据预处理工作,采用深度神经网络模型构建海南岛附近海域海浪波高预测模型。提出基于多组特征输入的Stacking集成模型,来改进海浪波高预测模型的预测效果。将四种不同特征组合（台风特征、台风特征+当地风速、台风特征+当地风速+地理信息、台风特征+地理信息）分别输入深度神经网络模型。不同的特征组合的模型,错分案例不尽相同,为了减少异常情况的错判,对四组特征不同的深度神经网络模型结果进行Stacking集成,最终模型各个性能有明显提高。3.采用将台风特征离散化方式来类比台风预测的不确定性,将离散化的特征数据输入各类机器学习分类算法中预测台风引起的灾害性海浪等级。针对海浪数据集中数据类别不平衡且存在一定噪声的问题,提出DBSCAN-SMOTE混合采样算法,剔除噪声并进行过采样,最终将平衡后的数据输入到机器学习模型中。实验表明,经过混合采样的模型分类效果优于未采样或仅进行SMOTE采样的模型。