海浪对人类的海上活动和近岸活动有着巨大的影响,甚至会造成人员与经济的损失。因此波浪高度的准确预报对人类进行航海、渔业、海上军事活动、海上作业、海上运动、沿海与近岸工程的规划与设计等相关活动至关重要。台湾海峡是我国最大的海峡,它位于东海与南海之间,连接着祖国大陆与宝岛台湾,既是东洋海洋史上贸易线路上的重要水域,同时也是近代地缘政治战略要点。台湾海峡内人工作业、生产活动与航运日渐频繁,因此需要对海峡内进行及时、准确的波浪预报来保障这些活动的顺利进行,避免人员与经济的损失。波浪预报是海浪研究的主要目的,波浪预报有两种模式,针对预报点的单点波浪预报以及针对大面积海域的区域波浪预报。海浪研究一般采用两种方法,一种是动力学方法,一种是统计学方法。以统计学为理论支撑的深度学习是当前人们关注的技术热点,尤其是随着人工智能的兴起与飞速发展,深度学习更是越来越成为科研领域以及商业应用领域关注的焦点,很多研究人员或者是商业公司都将其应用到自己的项目中去。深度学习模型因其具有良好的自适应学习和非线性映射能力,对事物发生的物理机制不一定要了解得十分清楚,适合用于处理那些物理机制复杂、因果关系和推理规则难以确定的非线性问题。因此本文主要研究深度学习模型,并将其应用于台湾海峡及周边海域的波浪预报,具体内容如下:(1)介绍深度学习模型中经典的模型,如卷积神经网络、循环神经网络、长短期记忆网络等模型的网络结构、基本原理以及训练过程与应用领域。(2)将神经网络应用于单点波浪预报的研究较为常见,但是使用长短期记忆网络进行波浪预报且应用于台湾海峡的研究目前还未见到相关报道。本文尝试将长短期记忆网络应用于台湾海峡内四个浮标观测点的单点波浪预报,并验证了该方法的有效性。实验结果表明使用长短期记忆网络模型的预报结果,其相关系数最高能够达到0.962,平均绝对误差也大多在0.1m到0.2m的区间内。(3)区域波浪预报中一般采用第三代海浪数值模式进行预报,通过数值模式可以在给定风场资料的情况下对研究区域的波浪情况进行精度较高的预报。然而数值模式非常耗费计算资源,需要采用大规模并行计算,往往进行一次波浪预报将会花费较多的时间。为此本文提出了一种带有ConvLSTM(Convolutional LSTM Network)层的深度学习模型进行区域波浪预报,并应用于台湾海峡及其周边海域。该模型使用第三代海浪数值模式SWAN所产生的模拟数据作为模型的训练数据,实验结果表明在12期的波浪预报中该模型相比传统的数值模式能减少98.59%的运行时间。