半潜平台依靠其作业状态稳定、移动性能好、作业深度大等优点逐渐成为深水作业的主力军,更是在深水油气开发中得到了广泛的应用。由于半潜式平台作业环境在海上,所以会受到海风、波浪以及海流的作用,在环境载荷的作用下半潜平台将产生一定的运动,而过大的运动幅度会影响到平台正常的钻井及生产作业。因此,如何准确预报半潜式平台在波浪作用下的运动响应更是海洋工程界和学术界研究的热点。目前,深度学习的飞速发展使其在回归预测领域取得了较好的应用成果,为高效预测海洋平台在极端环境载况下的运动响应提供了新思路。在平台运动响应极短期预报的研究中,本文提出了基于EMDLSTM模型进行平台运动极短期预报的方法,该方法以半潜平台模型试验数据为研究对象,首先采用经验模态分解算法（EMD）将时间序列分解成相对平稳的分量,再利用长短期记忆（LSTM）神经网络对时间序列进行训练预测,提高了模型的预测能力与预测精度,同时本文进一步优化预测模型和方法,加入环境载荷,大大提高了预测准确性并实现在线连续预测。在平台运动响应快速预报的研究中,根据势流理论,平台运动响应主要受波浪激励力、风载荷、流载荷和系泊系统提供的恢复力影响,,故输入选取入射波时历数据,输出为平台运动响应。在数据处理方面,本文一方面进行数据预处理来满足神经网络的实际训练需求,另一方面使用分解算法来改善数据非平稳性对模型预报结果的影响,使其在应用环境中表现更优。同时,通过深度前馈网络对试验数据进行训练仿真。从频域上分析,平台运动响应的预测值的频谱图和实际值趋势一致,峰值存在很小差距;从统计值上分析,平台运动响应的预测的有义值、极值等和实际值误差在10%以内。