半潜平台受到环境激励影响,会产生复杂的六自由度运动响应,进而影响海上作业的安全和效率,合理预报未来一定时间内的平台运动响应,对保障半潜平台的安全运维具有重要意义。另一方面,系泊张力和系泊系统的结构安全密切相关,若能够实现系泊张力的在线预报,将对系泊系统的安全运维具有重要意义。为此,本文采用深度学习方法,开展半潜平台的极短期运动预报和系泊张力在线预报研究。主要内容如下:（1）开展了基于长短时记忆神经网络（Long Short-Term Memory,LSTM）模型的半潜平台极短期运动预报研究。针对半潜平台极短期运动预报,研究了LSTM模型的基本原理,分析用于建立极短期运动预报模型的数据输入模块,并引入数据预处理方法归一化,研究归一化方法对数据的作用机理,实现了对运动响应数据的预处理;对于预报结果的性能评估,建立了三种不同的评价指标（平均绝对误差,均方根误差和皮尔逊相关系数）。针对不同的神经网络超参数,研究了其对预报性能的影响,实现了不同输入数据长度、神经元节点数和优化器等参数的合理选取;分析LSTM模型在半潜平台不同运动自由度下的预报结果,验证了基于深度学习方法开展半潜平台极短期运动预报的可行性。（2）开展了基于不同信号分解方法的半潜平台极短期运动预报研究。为了揭示不同信号分解方法对短时运动预报精度的影响,使用信号分解技术对运动序列进行分解,包括经验模态分解（Empirical Mode Decomposition,EMD）、集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、自适应噪声完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和经验小波变换（Empirical Wavelet Transform,EWT）信号分解方法,通过对运动响应序列分解可以获得有限个独立的、变化较为平稳的子序列,从而降低数据的复杂程度,使得模型可以更为准确的学习运动响应序列中蕴含的信息,改善运动响应预报性能。对信号分解方法处理得到的子序列分别进行建模预报,再对每个子序列的预报结果进行求和,获得最终的运动响应预报结果。通过对不同的运动响应开展预报研究,分析信号分解方法对预报性能的影响,验证了EWT-LSTM模型具有最佳的预报性能。（3）开展了基于误差修正策略的半潜平台系泊张力预报研究。在对半潜平台系泊张力的预报研究中,通过讨论不同神经网络超参数对系泊张力预报模型的影响,确定了最优的模型参数设置。为了提高系泊张力的预报精度,本文提出一种新的系泊张力预报思路,从传统系泊张力预报方法的预报误差入手,研究系泊张力预报误差的历史分布规律,建立运动和误差的映射关系,开展误差预报,然后对传统方法得到的预报结果进行修正,即误差修正策略（Error Correction Strategy,ECS）。通过对不同工况下的系泊张力开展预报研究,验证了基于误差修正策略的半潜平台系泊张力预报模型的有效性和可行性。