绞吸挖泥船的疏浚产量直接反应了疏浚效益,为提高疏浚产量,建立绞吸挖泥船的产量模型,对产量进行预测是一种有效方式。影响绞吸挖泥船产量的因素众多,且各因素间互相影响。所以,按产量影响因素建立绞吸挖泥船的产量机理模型拟合精度较差,选择建立产量的黑箱模型。而常见的神经网络如BP（Back Propagation）、RBF（Radial Basis Function）等,训练时间较长且泛化能力一般,无法满足产量预测要求。因此,本文应用优化的极限学习机（Extreme Learning Machine,ELM）算法建立产量预测模型。首先对实船采集的数据进行预处理,并以处理后的数据作为黑箱模型的训练、测试数据集。并根据绞吸挖泥船的产量计算公式以及绞吸挖泥船的结构、疏浚过程,选出其中八个影响产量的因素,通过八个因素与产量间的主成分分析（Principal Component Analysis,PCA）得到了五个主成分。由RBF模型预测结果对比可知,PCA能够在降低模型复杂程度的同时,保证模型的预测效果,并缩短模型的训练时间。因此,通过PCA合理地选择了黑箱模型的输入变量,确定了模型的结构。然后,建立了优化极限学习机算法的产量预测模型。采用正则化系数来消除ELM中存在的结构风险,实现了正则化极限学习机（Regularized Extreme Learning Machine,RELM）;利用粒子群算法（Particle Swarm Optimization,PSO）对RELM中随机选取的参数进行全局寻优,实现了粒子群优化的正则化极限学习机（Particle Swarm Optimization Regularized Extreme Learning Machine,PSO-RELM）,进一步地提升了RELM的鲁棒性和泛化能力。仿真实验结果表明PSO-RELM模型能够实现挖泥船疏浚产量的预测并具有较好的效果。最后,基于PSO-RELM产量模型,利用Echarts（Enterprise Charts）对疏浚信息进行可视化显示和分析,并在选取控制变量后,结合专家经验得到了相关疏浚策略,将可视化与疏浚策略结合,可实现疏浚过程的可视化辅助操作,以提高疏浚效益。