海洋潮汐信息对人类的生产活动起着日益增强的影响作用。准确实时的海洋潮汐信息对于船舶安全航行、沿岸码头港口工程设计等有着重要的指导意义。随着当代航运业的发展,对潮位信息的精度要求也日益增加。此外,随着船舶向大型化的方向发展,对于日益增多的大型船舶提供实时准确的潮高信息,可以在很大程度上减少搁浅或者碰撞桥梁等事故。潮汐预测最为传统的预测方法是调和分析法。但该方法往往需要基于大量的潮汐观测记录数据来获取较为准确的调和分析预报模型。由于长期实地数据观测记录通常会需要较高的成本,对于一些港口来说获取如此大量的长期观测数据的可行性比较低。此外,传统的调和分析法在进行潮汐分析预报时主要考虑了天体引潮力的作用,然而海洋潮汐却受到气温、气压以及降水量等时变非线性因素的影响,呈现出一定的非确定性和时变性,使用传统的静态结构模型较难获得精确的实时潮汐水位预报信息。随着神经网络技术的飞速发展,神经网络模型广泛应用于系统预测领域。本研究将应用最为广泛的误差反向传播神经网络(Back Propagation,BP)应用于潮汐水位预报。然而传统的BP模型在预测方面存在着一定的缺陷:如网络模型的参数选择不当,可能会使训练模型陷入局部最优,且模型容易受到网络结构的影响等。为进一步改进传统的BP模型,提高模型预报精度,本研究建立了一种基于自适应变异粒子群优化算法(Self-adaptive Particle Swarm Optimization,SAPSO)的 BP 神经网络潮汐水位预报模型。模型采用改进的PSO算法优化BP神经网络的网络参数,克服了传统BP神经网络对初始权值阈值敏感,容易陷入局部最优缺点,进一步提高了潮汐水位的预报精度。并基于Isabel验潮站的实测潮汐数据,将本研究建立的模型与传统的调和分析模型和BP神经网络模型进行仿真预报对比。此外,文章将建立的SAPSO-BP预报模型应用于区域性潮汐水位预报,创建了一种区域性潮汐水位预报模型。并采用Isabel验潮站的潮汐水位实测数据进行仿真实验,验证了 SAPSO-BP区域性预报模型的预报精度。