水下滑翔机（underwater glider）是一种新型水下无人航行器,它通过改变浮力大小和质心位置来实现上浮下潜与调姿运动。水下滑翔机仅在浮出水面时才能与卫星通信从而确定其位置信息,而其在水下的位置只能通过航位推算来确定。由于洋流的影响,水下滑翔机的预定运动会发生漂移,难以保持规划的航向,导致推算航位与实际位置会存在偏差。本文以“海燕-L”水下滑翔机为研究对象,对其在海洋环境变化时航向的偏离与修正问题开展研究。针对航行过程中易受到海流等因素影响发生航向偏离的问题,采用机器学习等相关方法,进行局部深平均流的建模和预测,研究水下滑翔机航向修正与局部路径规划方法,从而保障水下滑翔机的精确航向保持能力,服务于海洋观测的需要。论文主要研究内容如下:基于水下滑翔机自身运动特性,结合岸基操作与控制条件,建立了短数据精简深平均流模型。该模型面对岸基操控的准实时性要求,计及水下滑翔机运动原理,嵌入了岸基操控平台指令,有效保留了传统深平均流的构建精度,简化了运算,提高了计算速度。对获取水下滑翔机运行状态、分析海洋环境特性以及区域海洋建模具有参考价值;基于水下滑翔机短数据精简深平均流时间序列数据,采用最小二乘支持向量机和长短时记忆神经网络两种不同的机器学习方法,对未来深平均流数据进行了预测。考虑不同维数输入矩阵的机器学习模型对预测结果的影响,确定深平均流在时间尺度上的关联维度,分别进行了基于变分模态分解的最小二乘支持向量机和长短时记忆神经网络的预测。与基于经验模态分解的预测方法预测进行了对比,结果表明基于变分模态分解的最小二乘支持向量机的方法具有更好的预测效果,进一步得到了最优剖面关联维度;在最优剖面关联维度条件下,基于最小二乘支持向量机的预测方法进行了自适应变分模态分解的相关研究,从而提高深平均流分解、预测的精度。采用了三种变分模态分解层数确定的方法,即经验法、基于经验模态分解的变分模态分解层数确定法和基于排列熵的变分模态分解层数确定法,通过海试数据进行了验证。结果表明,基于排列熵的变分模态分解层数确定法,进行变分模态分解能更大程度地降低序列的不稳定性,提高预测准确性。利用上述的基于排列熵的变分模态分解层数确定法,结合最小二乘支持向量机的方法,进行了水下滑翔机航向修正的研究。面对进一步满足水下滑翔机航向修正与局部路径规划的要求,依据预测所得的深平均流,结合水下滑翔机的工作运行模式,主动进行航向的调整;开展了海上试试验,验验证了算法的准确性。