气候变化和人类活动对海洋鱼类的时空分布产生了显著的影响。海洋鱼类具有重要的经营价值和经济价值,有必要展开海洋鱼类的分布变化及其对气候变化的响应研究。随着机器学习和大数据等技术的发展和广泛应用,鱼类分布研究已经进入新的阶段。机器学习模型作为新兴模型,在影响鱼类分布的重要环境因子筛选和丰度预测上优于传统模型方法。面对越来越多的新型模型和复杂的鱼类分布预测场景应用,研究针对具体鱼种的预测模型之间的比较及选择成为迫切需要。要充分利用不同模型的优势,针对不同类型的渔业数据,快速准确的选取最适宜的模型进行更为准确的鱼类分布研究和预报可对渔业管理组织及企业提高生产作业效率,合理安排作业区域,制定鱼类保护政策等方面具有重要的指导作用。长鳍金枪鱼（Thunnus alalunga）属于大洋性鱼种,有高度洄游的特点,海洋环境要素对其时空分布有显著影响。目前,关于长鳍金枪鱼的分布研究正从简单的统计模型向高级和复杂的机器学习（Machine Learning）模型转变,由于海洋遥感能够大面积地获取更多海洋环境要素使得机器学习在鱼群分布及渔场预报等领域也有用武之地,许多模型和方法都显示出了巨大的潜力。尝试应用机器学习模型研究长鳍金枪鱼时空分布动态变化具有重要的现实和理论意义。本研究以海洋环境数据作为输入因子,其中包括海洋表面温度（Sea Surface Temperature,SST）、海表面盐度（Sea Surface Salinity,SSS）、叶绿素a浓度（Chlorophyll-a,Chl-a）、深层水温和深层溶解氧数据,以及中西太平洋渔业委员会（Western and Central Pacific Fisheries Commission,WCPFC）获取的2013至2018年长鳍金枪鱼生产数据作为输出因子,构建人工神经网络模型（Artificial Neural Network models,ANN）、支持向量机模型（Support Vector Machine models,SVM）、随机森林模型（Random Forest Models,RF）。通过人工网格搜寻法寻找每个模型的最优参数,最终隐含层节点为9的人工神经网络模型;Linear核函数及惩罚系数为4的支持向量机模型;ntree为100及mtry为3的随机森林模型为最优模型,其预测准确率分别达到了61.3%、56.4%和64.8%。结合所有最优模型的评价和解释结果认为,本研究构建的随机森林模型具有学习成本低、超参数优化简单,良好的易用性等特点为中西太平洋长鳍金枪鱼的最优机器学习模型,具体结果如下:（1）通过交叉验证测试最优模型的准确率达到了64%,Kappa值最高为0.51。（2）从因子贡献率输出的角度看,随机森林模型的总因子贡献率高于其他两种模型,空间因子（经度和纬度）的贡献率最高,温度（海表温度和深层水温）其次,Chl-a略低于温度,然后为溶解氧数据,SSS的贡献率均为最低。（3）基于随机森林模型的单因素敏感性分析表明,SST适宜范围为23℃～31℃,在24.5℃～31之间预测为最高等级;SSS适宜范围为33.5～36之间,在34.5～36之间取得最高等级;Chl-a适宜范围为0.08～0.9之间,在0.08～0.0.65之间取得最高等级;T50在温度11.5～25℃表现为最适宜范围;T100的最适宜范围为7.03～16℃之间;T200的最适宜范围在4.15～13℃之间;D50在0.09～8.5之间最适宜;D100的最适宜范围为0.01～0.5和2.8左右;D200在0.01和0.018左右取得了两个适宜等级。（4）预测2018年各月份长鳍金枪鱼渔场空间分布预测,并与实际产量等级进行对比,发现随机森林模型的准确率明显高于其他两个模型,其总准确率为88.3%,且所有等级均能预测,不同等级的平均准确率在90%左右,且各月之间变化较小,表达了模型的高稳定性和解释性。本研究为中西太平洋长鳍金枪鱼的时空分布研究和渔场预报研究提供了新的理论支持,为机器学习模型在其他海洋鱼类的分布研究上提供了新的思路。