船舶在波浪中运动时,受到非线性波浪的扰动,会对海上作业产生不利的影响。考虑波浪的影响,对船舶运动实时响应进行预报计算是提高海上作业的安全性的关键。此外,由于海上波浪信息存在较难测量的特点,船舶运动作为波浪影响下的响应结果,某种程度上反馈了当前时刻下的波浪信息。对于以上两个问题的研究中,目前所采用的传统的水动力学研究方法由于无法较好的考虑到波浪及船舶运动数据非线性特征的影响,从而导致计算精度上存在一些不足,因此,本文通过尝试使用深度学习方法,对以上的波浪作用下的船舶运动响应预报问题以及基于船舶运动的波浪反演问题进行研究。在波浪作用下的船舶运动响应预报问题研究中,针对极短期预报的相位解析预报的特殊需求,目前的研究方法大多以船舶运动数据本身作为研究对象,并没有考虑波浪输入数据对船舶运动的影响,并且研究理论大多以线性理论为基础,无法较好的体现出船舶运动以及波浪的非线性特征。因此,本文采取深度学习方法中的长短期记忆神经网络对该问题进行研究。深度学习方法被广泛应用于求解非线性问题,而长短期记忆神经网络在其他领域的时间序列问题的求解上具有良好表现。考虑到波浪时历与船舶运动的时间序列特征,因此在初步研究中,将二维长峰波的波高作为输入,将船舶运动数据作为输出,验证该方法的可行性与准确性。针对计算结果的分析,对神经网络的训练对象以及结构进行改善讨论,分别提出了一种对运动差值训练的单特征训练深度学习模型,以及对单点波高波陡输入和多点波高输入的两种多特征训练模型,对纵摇计算结果提出改进方法。另一方面,对于基于船舶运动对波浪反演的问题研究中,分别使用卷积神经网络实现海况分类以及使用深度人工神经网络实现波浪时历的反演研究。由于卷积神经网络在图片的分类问题上具有较好的表现效果,因此本文将船舶运动数据通过希尔伯特变换以及色彩填充,将一维信号三维图像化,并通过图像识别分类,实现海况等级划分。并在波浪时历反演的回归问题中,通过人工神经网络,通过输入船舶运动数据,获得波浪信息。