作为我国渔业的有机组成部分，海洋渔业同样在国民经济中占据重要地位。由于全球范围内海域的过度捕捞和严重的环境污染，目前底层鱼类的资源已经遭到严重破坏，与此同时头足类鱼类的产量并没有受到影响，反而有所上升。于是,金枪鱼渔业，特别是以大洋性金枪鱼类为捕捞对象的渔业正倍受各渔业国家的青睐，不少渔业发达国家争相捕捞。大眼金枪鱼，又称肥壮金枪鱼，是大洋性洄游鱼类，较多见于集群活动。大眼金枪鱼主要分布于大西洋、印度洋和太平洋的热带与亚热带水域。金枪鱼延绳钓渔业的历史可以追溯到18世纪的日本。在1907年渔船更新后，作业范围扩展到距岸50海里以上的海域。至二十世纪中叶，基于渔船的改进，设备革新，钓捕技术日益完善等，渔船迅速扩大。之后韩国，中国台湾，印尼等国家和地区纷纷进入印度洋大规模钓捕金枪鱼。随着长期的海上作业和钓捕实践，我国水产工作者积累了大量的海洋渔获数据，但苦于无从下手处理和分析，许多捕捞海域的圈定和捕捞时间的确定大多数是根据自身的经验，没有相关的数理分析加以支持。这导致我国长期处于盲目捕捞，出海造成的成本较高的情况。如果能提前了解渔场的情况，并对渔场渔情做理论分析以及进行预测，则可为远洋渔业提供有力支持，节省时间。由此，考虑到水产工作者的实际需要，开展金枪鱼渔场渔情预测研究是非常重要的。鉴于现有水产工作者对于远洋渔业鱼种的渔情预报的研究，本文总结了它们存在的一些问题。首先，多元回归分析法常被用来作为传统渔情预测模型的理论工具，但是研究者忽略了海洋数据本身存在的特性，即因变量与因变量之间不是简单的独立可分，相互影响是时常存在的。而多元回归分析的首要假设就是因变量之间的独立性。其次，海洋环境因子较为复杂，现有的渔情预测模型大多包含的环境因子较少，仅有水温和海面高度数据。这势必会对渔情预测模型的精度产生影响。现在急需要考虑一些对渔获量有重大影响的因子。再有，目前大多数的渔情预测模型是一种关系型模型，即考虑了海洋环境因子和产量之间的关系。而现有领域专家的专业知识能够为预测模型的建模提供更多指导意义，但目前使用率不高。最后，径向基神经网络存在的优点已经被许多学者加以验证，但是针对其具有的神经网络的黑箱性质的研究，大多是停留在专家系统，或是利用其它系统模拟得出。很少有研究者尝试从神经网络本身挖掘规则。虽然神经网络的发展时间较长，理论较为完善。但是目前研究者大多采用模型仿真实验的方式模拟假设，这极大的限制了神经网络应用于实际的能力。因此，如何将神经网络的理论真正应用到实际也是值得研究的问题。本文主要研究的内容是，根据收集到的印度洋金枪鱼作业钩数、产量数据和海洋环境因子数据(海水温度、叶绿素浓度和海面高度)以及渔业方面专业领域知识利用径向基神经网络加以学习，并提取渔业知识。分析印度洋金枪鱼的栖息地指数，最终得到较好的渔情预测模型。这个预测模型系统可以用来指导渔业生产和钓捕活动，探索和发现渔场分布。主要研究内容为以下几个方面：（1）知识挖掘算法对比研究。现有的知识挖掘算法包括决策树、支持向量机(Support Vector Machine，SVM)，关联规则，K-Means聚类、遗传算法、模糊分类和聚类、粗糙分类和规则归纳、神经网络等方法。综合考虑现有方法的优缺点，针对海洋渔业数据特性，采用神经网络中的RBF神经网络方法挖掘渔类栖息地相关知识，为进一步分析和预测渔获数据提供数据支撑。（2）数据收集。收集印度洋海域海洋环境因子数据，包括海面温度、海水深层温度、海面高度、叶绿素浓度等，以及1999年1月到2009年12月之间印度洋5°N-5°S，40°E-80°E区域内金枪鱼延绳钓作业产量数据。环境因子中SST和SSL数据的空间分辨率是0.25°×0.25°，而产量数据是5°×5°区间内的平均值。因此在数据分析前必须将海洋环境因子数据与栖息地指数匹配，确保在同一标准基础上度量，本文采用双线性插值算法对数据进行同一化处理，目的是提高数据的可用性和可靠性。（3）改进RBF神经网络应用效果。径向基神经网络学习方法主要针对其基函数中心和宽度的确认。本文使用模糊聚类算法、改进后的宽度共同训练径向基神经网络，获得的模型可用于预测。（4）利用智能搜索方法获取RBFNN隐含知识。现有神经网络的一个重要缺点是难以被理解的网络处理过程，如何有效显示神经网络内含规则，成为本文研究的重点。结合领域专家的意见，确定样本数据的离散化分析，并将这些数据用于径向基神经网络中，为利用和声搜索提取神经网络知识做准备。本文首次提出利用和声搜索算法描述神经网络的规则知识,并将改进后的RBF神经网络应用到渔情预测系统中。该模型可获得有价值的渔业知识，能够分析渔场渔情，提高预测精度。为完善神经网络在渔情预测中的研究提供了新的思路。