在人工智能和大数据时代背景下,智能船舶已成为航运业未来的发展方向。智能船舶自主路径规划,不仅关系到其航行安全,还影响着船舶燃油消耗以及经济效益等。近年来,深度学习已成为机器学习领域的研究热点之一。本文研究了基于深度学习的智能船舶自主路径规划问题,按照计划航线、气导修正航线和避障修正航线的思路,逐层递进地开展了基于历史轨迹大数据分析的船舶自动计划航线生成、基于气象导航的航线生成以及局部避障航线生成等研究工作,主要包括:（1）基于船舶历史轨迹大数据和SRU的船舶自动计划航线规划首先,利用拉普拉斯特征映射（Laplacian Eigenmaps,LE）和高斯核密度估计（Gaussian-Kernel Density Estimation,G-KDE）对大量的历史船舶自动识别系统（Automatic Identification System,AIS）轨迹数据进行压缩,提取船舶的转向点;其次,采用模糊自适应DBSCAN方法对预处理阶段获得的转向点聚类,得到转向区域;最后,通过SRU航线规划模型获得船舶航行每个特征转向点的船位、航向和航速,进而规划出计划航线。仿真实验结果表明,基于船舶历史轨迹大数据和SRU的航线规划模型提高了训练速度和精度,生成的计划航线满足航海实践需求。（2）基于改进LSTM燃油消耗预测模型的船舶气象航线规划首先,通过遗忘门和输入门耦合以及前一时刻的细胞状态介入,改进传统LSTM,提高模型的记忆能力;其次,提取船舶营运数据中航速、每分钟转数（Revolutions Per Minute,RPM）、平均吃水、吃水差、货物重量、风和浪的影响等7种变量和船舶燃油消耗量,分别作为改进LSTM训练模型的输入和输出变量,构建船舶燃油消耗预测模型;最后,利用Dijkstra算法,考虑气象要素和船舶燃油消耗,对基于历史轨迹大数据的计划航线进行修正,获得船舶在不同航速情况下最低燃油消耗的安全高效气象航线,实现节能减排目的。仿真实验表明,同反向传播（Back Propagation,BP）神经网络和多元回归分析（Multiple Regression Analysis,MR）等方法相比,改进LSTM燃油消耗预测模型具有拟合性好、相关性高、均方根误差（Root Mean Square Error,RMSE）低等特点。（3）基于Faster R-CNN图像融合的船舶局部路径规划首先,利用深度学习技术对雷达图像进行目标检测,识别特征目标;其次,对检测到的特征区域进行图像处理,确定电子海图和船舶雷达图像配准的公共参考点,根据参考点进行仿射变换实现电子海图与雷达图像的向量级融合;最后,利用电子海图与雷达图像融合算法获得的环境模型和改进的A*优化算法,实现了狭窄水域的局部路径规划。综上所述,本文利用深度学习技术,解决了智能船舶自主路径规划的问题。开航前,依据历史AIS数据,挖掘获取船舶计划航线;航行途中,考虑航行水域的气象要素和燃油消耗量,对计划航线进行修正,获得气导修正航线;航行期间一旦遇到航行障碍物,利用局部路径规划生成避障修正航线。论文研究成果有助于船舶智能航行技术的发展,有助提高航运企业的生产力和经济效益。