在我国建设海洋强国的进程中,无人艇(Unmanned Surface Vessel,USV)发挥着至关重要的作用。在海上航行过程中,无人艇会受到海风、海浪、涌流等很多随机不确定的外界干扰,产生强烈的六自由度摇荡运动,使得海上作业过程存在着极大的安全隐患。因此,无人艇运动姿态的预报研究对于保障航行安全、提高作业效率具有重大意义。无人艇在海上的六自由度摇荡运动是一个复杂的时变、非线性、非平稳动力系统,随环境的时变扰动以及航行条件的不同而变化。传统方法存在精度低、鲁棒性差、实际应用能力不足等缺点。深度学习的兴起为无人艇运动建模和预测提供了一个新的思路。本文利用无人艇在执行任务时存储的大量传感器数据,建立了基于深度学习的无人艇运动姿态预报模型,并以上海大学“精海6号”和“精海3号”无人艇为例,进行了实验研究。首先,本文提出了一个耦合的卷积神经网络(Convolutional Neural Network,以下简称为CNN)和长短期记忆网络(Long Short Term Memory,以下简称LSTM)无人艇横摇运动预测模型,利用CNN提取传感器数据的空间相关以及局部时序特征,利用LSTM建模无人艇横摇运动并进行预测,实验结果表明,此模型的预测效果明显优于现有的传统方法。其次,本文融合注意力机制,优化了耦合的CNN和LSTM预测模型结构,通过注意力机制提取出上下文信息,LSTM对CNN提取的特征进行加权处理,得到重要度高的显著细粒度特征,实验结果表明在一些局部峰值区间以及非平稳变化区间,融合了注意力机制的预测模型预测效果更好,弥补了耦合的CNN和LSTM预测模型在这方面的不足。最后,本文分别运用这两个模型对无人艇的纵摇和艏摇运动进行了建模和预测,实验验证了本文提出的预测模型对无人艇运动姿态预报具有适用性。