近岸浪与沿海海岸地形地貌,工程设计,浅海岸生产作业密切相关,海浪要素如浪高、周期、波长等,是反映海浪特性,体现海面状况的重要指标,因此监测近岸浪的运动变化趋势需要对海浪要素高精度检测。海浪周期为两个连续波经过一个相同点所需的时间,反映了海浪的运动规律,在冲浪预报、海洋导航定位和沿海岸的地理环境变迁中有着举足轻重的作用。目前已有的近岸浪周期检测方法主要分为直接和非直接检测法两类。直接检测法主要依赖于海洋浮标,海洋浮标测得的海浪周期与真实海浪周期基本符合,被作为评价其他测量方法的参照依据,但海洋浮标置放点有限且浮标置放成本高,无法实现海浪周期的覆盖检测;非直接检测法主要基于海浪谱分析,这种方法需要人工设计提取算法,从海浪谱中提取海浪周期等要素,计算量较大,且对计算设备要求较高。由于海浪监控视频记录了丰富的海浪运动信息,近年来,涌现出基于计算机视觉检测海浪要素的方法。深度学习神经网络因其能够有效提取视频时空特征,目前已被应用于近岸浪海浪要素检测中,但主要针对近岸浪浪高检测以及海浪谱分析,将深度学习与基于视频的近岸浪周期检测相结合仍然面临诸多难点,包括:如何处理视频数据,充分保留与周期相关的海浪特征,作为深度学习网络模型的输入;与人工提取相关特征不同,如何设计深度学习模型从视频中自动提取与海浪周期相关的时空融合特征。因此本研究针对已有海浪周期研究背景,结合深度学习,从一个全新的角度提出了可行的研究方法:（1）结合现有研究方法,针对海浪在视频中表现出的空间和时间特性,将近岸浪在时间维度上的变化转换为频域特征,建立了融合空频特征的海浪周期检测模型。在近岸浪监控视频中,每30个连续帧截取宽度为2个像素的像素列,并在时间维度上堆叠,构成同时包含图像空间与时间变化信息的原始堆叠图像数据集;再对原始堆叠图像集作傅里叶变换,构成频谱图像数据集;针对这两种数据集同时用Res Net18网络分别提取高维空间和频域特征,对提取的高维空频特征融合并与海浪周期作映射,进行回归训练。同时,将Res Net18网络与VGG16网络对比,发现Res Net18在测试集上检测误差更低（平均绝对误差=0.69）,精度高,符合海浪周期业务化监测的要求。（2）为避免将时间维度特征转化为频域特征过程中的信息丢失问题,建立了直接提取时空特征的融合的卷积神经网络模型（CNN-2D1D）,该方法以连续海浪视频帧为输入,首先利用二维卷积神经网络（2D-CNN）提取视频帧的空间特征,将空间特征在时间维度上拼接成序列,再通过一维卷积神经网络（1D-CNN）提取时间维度特征,这种融合卷积神经网络（CNN-2D1D）能够实现海浪时空信息的有效融合,最后,采用注意力机制对融合后的特征进行权重调整,并线性映射为海浪周期。本研究方法对比了基于VGG16网络的单纯空间特征的检测方法,以及基于Conv LSTM和三维卷积C3D网络的时空特征融合的检测方法。实验结果表明,C3D和CNN-2D1D检测精度最好,平均绝对误差分别0.47s和0.48s,但CNN-2D1D比C3D的检测结果更稳定,RMSE分别为0.66和0.81,且CNN-2D1D需要的训练参数更少。这表明CNN-2D1D模型在周期检测中的有效性。本研究的主要贡献包括:首次提出了适用于近岸视频的海浪周期自动检测方法;设计了基于空频特征的深度学习网络模型,且在近岸浪周期检测中获得了较高的检测精度;进一步设计了能够直接提取视频时空特征的深度学习网络模型,对比现有的视频时空特征提取方法,验证了本研究提出的模型对近岸浪周期检测精度更高,模型更稳定,所用参数更少,在近岸浪周期检测上有良好的应用前景。