阿根廷滑柔鱼为大洋性浅海鱼种，分布在22°S-54°S的西南大西洋大陆架和陆坡，其中以35°S-52°S资源尤为丰富，它是目前世界头足类中最为重要的资源之一。开展阿根廷滑柔鱼资源评估、了解资源和渔场与海洋环境关系将有利于对其实施合理的开发，具有重要建设性意义。　　 目前，在渔情预测的研究中，已经有学者利用到了数据挖掘的一些算法，但是仍然存在以下的一些不足：(1)传统渔情预测模型采用多元回归分析法来进行预测，但是，只有在因变量之间独立和独立分布的情况下，回归分析才能取得较好的结果。这样的要求对于海洋坏境因子变量来说是很难达到的。(2)当前渔情预测系统中涉及到的环境因子相对而言比较少，一般只包含海表温度和海面高度。某些对鱼类产量有较大影响的因子没有考虑进去，这势必也影响渔情预测的精度。(3)当前大多数渔情预测是建立关系模型，即利用海洋环境因子和产量之间的关系建立模型。实际上，渔业领域某些专业知识能够对模型具有一些指导性的意义，但是应用较少。(4)大多数渔情预测系统是对渔业产量进行定性分析，即某一区域产鱼的可能性是高、中或者低，而对于某一渔区的栖息地指数研究较少。(5)由于支持向量机的理论较为科学完备，因此很多学者进行了相关方面的研究，但是，在实际应用方面研究较少，大多数学者利用支持向量机解决问题的方式是采用MATLAB仿真，然而，很多具体的问题不能够直接利用仿真实验得出结果，因此，如何真正将支持向量机应用于解决实际问题也是值得研究的内容。　　 本文是在国家发改委专项“卫星遥感大洋渔业高技术产业化示范工程项目”的背景下展开的。本文主要研究的内容是，根据收集到的西南大西洋阿根廷滑作业次数、产量数据和海洋环境因子数据（海表温度、叶绿素浓度和海平面高度）以及渔业方面专业领域知识进行机器学习，得到较好的渔情预测模型。根据这个渔情预测模型可以分析西南大西洋阿根廷滑柔鱼在某一海域的栖息地指数。这个预测模型系统可以指导渔业生产和捕捞活动，探索和发现渔场分布。本论文的主要工作有以下几个方面：　　 (1)通过阅读渔业资源与渔场学方面的论著和文献，了解大量海洋渔业方面的知识，发现对鱼类分布有较大影响的海洋环境因子，其中包括海洋表面温度(SST)、海洋水温的垂直分布、海洋水温距历史平均值、海水盐度、温跃层等等。影响鱼类分布还有一些气象因素和生物因素。在本论文中主要研究的是海洋环境因子与西南大西洋阿根廷柔鱼栖息地指数之间的关系。　　 (2)收集西南大西洋海域海洋环境因子数据（海水表面温度、海面高度、叶绿素含量等）以及2000年1月到2004年5月之间该海域阿根廷滑柔鱼围网作业的作业次数、产量数据。海洋环境因子中海水表面温度、海面高度和叶绿素浓度的空间分辨率是0.1°×0.1°，而产量数据的空间分辨率不确定。因此在数据分析前必须对数据进行处理，将海洋环境因子和栖息地指数数据进行配对，生成样本数据文件，确保使用同一标准进行度量，提高数据的可用性和可靠性。　　 (3)结合领域专家的意见，确定对渔情预测有效的样本数据，并将这些领域知识应用于支持向量机中，提高预测准确度。　　 (4)径向基神经网络是近年来应用较广泛、较成熟的机器学习算法，因此本文也利用径向基神经网络建立了渔情预测模型，然后将径向基神经网络和基于先验知识的支持向量机进行了比较。　　 本文首次将渔业资源领域的专家知识应用到了渔情预测系统中，对该模型进行了系统研究。该模型可以获取更有价值的渔业知识，能够对渔场渔情进行分析，提高了渔情预测的精度。本文将西南大西洋阿根廷滑柔鱼的实际生产数据和多因子海洋环境数据（海水表面温度、海面高度、叶绿素浓度）应用到基于先验知识支持向量机的渔情预测系统中，为渔情预测开辟了一条新的道路。