海洋船运行业伴随着人类文明的发展而不断发展。如今,随着经济的全球化,海上运输成为各国大宗商品之间的主要运输方式。船运行业的飞速发展,河道船舶数量激增,导致船舶发生碰撞的可能性增大。为了减少经济损失,船舶避碰研究具有重要的价值。船舶碰撞风险预测的研究可以为驾驶员提供早期预警,具有重要的研究意义。针对船舶碰撞风险预测研究,论文基于船舶自动识别系统（Automatic Identification System,AIS）的数据主要做了以下工作内容:（1）船舶碰撞风险指数（Collection Risk Index,CRI）的计算。论文采用了模糊理论的计算模型和基于统计分析的计算模型。首先对AIS数据进行了分析、异常值处理、轨迹分割和插值处理等;其次通过船舶航行时间和空间上的交集构建出船舶轨迹对;最后基于上述两个模型分别进行实验,同时分析了两种方法的特点并将CRI的值使用K-Means聚类处理,计算出发生碰撞风险高的水域,验证了计算模型的有效性。（2）以统计分析方法的CRI计算模型作为基础,Attention机制和双向长短期记忆网络（Bidirectional Long-Short Term Memory,BiLSTM）有效结合构建了Attention-BiLSTM网络,对船舶轨迹对的运动参数使用Attention-BiLSTM网络做出碰撞危险度预测。首先对船舶轨迹对的运动参数进行提取和计算,确定了往模型中输入的特征;其次对计算得到的CRI值进行危险等级划分,从而确定了数据的标签值,并将输入特征和标签值做了对应以供模型学习;最后论文将Attention-BiLSTM网络和Attention-LSTM与BP（Back Propagation,BP）神经网络、长短期记忆（Long-Short Term Memory,LSTM）网络以及BiLSTM网络进行对比验证,分别预测了不同时间段的碰撞风险等级,实验表明AttentionBiLSTM网络在船舶碰撞危险度预测中预测性能最优。（3）基于船舶轨迹预测的方法构建碰撞风险预测模型。首先结合变分自编码器（Variational Auto-Encoder,VAE）和LSTM网络构建了VLSTM网络模型;其次将VLSTM模型和LSTM模型分别用于轨迹预测实验,对两者进行单步预测和多步预测,并进行了对比分析,结果表明VLSTM网络在单步预测和多步预测中预测性能都优于LSTM网络;进而基于VLSTM模型的轨迹预测进行碰撞风险预测;最后VLSTM网络构建的碰撞风险预测模型和Attention-BiLSTM构建的碰撞风险预测模型进行对比分析。实验结果表明,VLSTM网络构建的航迹预测模型进行碰撞风险预测时,在短期预测中性能要强于Attention-BiLSTM网络构建的预测模型,但是Attention-BiLSTM模型在长期预测中会优于基于航迹预测方法构建的模型。