水下航行器是人类探索和开发水下世界的重要工具，随着水下作业任务的多样化和复杂化，对水下航行器的操纵性要求日益提高，深入开展水下航行器的操纵性研究也势在必行。对水下航行器的操纵性研究，目的在于实现水下航行器的操纵性预报。数学模型加计算机仿真的技术是目前应用最为广泛和有效的预报方法，其中数学模型必须能够真实反映水下航行器的动力学特性，而建立数学模型的关键则在于准确获取模型中众多的水动力导数。近年来，随着现代试验测量技术和系统辨识理论的不断发展、成熟，基于自航模或实尺度试验分析的系统辨识方法在水下航行器操纵运动建模研究中得到广泛关注，展现了非常广阔的应用前景。　　鉴于常用的系统辨识算法存在对初值依赖性大、泛化能力差等缺陷，本文在国内外首次将一种新型的人工智能算法——支持向量机（Support Vector Machines,SVM）应用于水下航行器的动力学辨识建模，包括动力学参数辨识建模和非线性动力学辨识建模。在建模过程中，针对支持向量机算法中参数选择的不确定性，使用网格搜索法进行了参数优化；应用增量式最小二乘支持向量机实现了水动力导数的在线辨识。　　在一定的系统辨识算法下，获取尽可能多的能够反映建模对象动力学特性的数据样本是进行系统辨识的基本前提；而通过原始数据样本构造合理的用于辨识的样本结构（简称辨识样本结构），得到建模所需的输入输出样本对，是提高辨识精度的重要途径。为了提高辨识结果的精度和稳定性，本文提出了积分型辨识样本结构。以水下航行器SDV（Swimmer Delivery Vehicle）为对象，基于其水平面线性操纵运动数学模型，分别采用欧拉型辨识样本结构和积分型辨识样本结构得到输入输出样本对，对两种辨识样本结构的辨识精度进行了比较，并对它们与水动力导数的辨识精度之间的关系进行了分析，验证了积分型辨识样本结构的优越性。　　在动力学参数辨识建模方面，应用基于线性核函数的支持向量机，实现了水下航行器操纵运动数学模型的批处理辨识和在线辨识。首先，以Manta-type航行器为对象，对其平面线性操纵运动数学模型分别应用最小二乘支持向量机和最小二乘法进行参数辨识，对最小二乘支持向量机应用于水下航行器平面操纵运动建模的有效性进行了验证。其次，以两个水下航行器为对象，对其典型的平面非线性操纵运动数学模型中的水动力导数进行了批处理辨识，并基于增量式最小二乘支持向量机实现了水动力导数的在线辨识。最后，以水下航行器“SY-2”为对象，通过解耦处理，将六自由度运动方程简化至四自由度，并基于仿真试验对其纵向和转首运动方程中的水动力导数进行了辨识。　　在非线性动力学辨识建模方面，应用以径向基函数（Radial Basis Function,RBF）为核函数的支持向量机，实现了水下航行器的非线性动力学辨识建模。首先，基于水下航行器MARIUS的水平面非线性操纵运动数学模型，对其中包括舵力和推力在内的水动力模型进行了辨识，通过比较采用支持向量机回归模型和原始水动力导数模型得到的仿真试验结果，对支持向量机应用于水下航行器非线性动力学辨识建模的有效性和泛化性进行了验证。然后，以某微小型水下航行器为对象，通过平面运动机构（Planar Motion Mechanism,PMM）试验得到了潜艇标准运动方程中的水动力导数，通过循环水槽试验建立了推力模型和舵翼作用力模型；采用试验建立的数学模型进行操纵运动仿真，并基于仿真结果应用支持向量机进行非线性函数回归，对六自由度运动方程中的水动力阻尼以及科氏力和向心力进行了辨识；从操纵运动预报和控制性能两个方面，通过比较回归得到的模型和试验得到的模型的仿真结果，对支持向量机回归模型的有效性和泛化性进行了验证。　　本文在对某航行器的垂直面非线性动力学模型进行参数辨识时，即便采取了合理的辨识样本结构和先进的辨识算法，一些水动力导数的辨识结果仍然同试验值相差较大。为解释这一现象，本文使用灵敏度损失函数法对垂直面非线性动力学模型中的水动力导数进行了灵敏度分析，对参数辨识精度与灵敏度值之间的关系进行了研究。针对灵敏度分析的间接方法存在的计算量和存储问题，提出了一种直接方法，并应用该方法对某航行器垂直面非线性操纵运动数学模型中的水动力导数进行了灵敏度分析，基于分析结果对模型进行了合理的简化。随后，应用该方法对水下航行器NPS II的六自由度数学模型中的水动力导数进行了灵敏度分析，通过选取合理的取舍函数，将模型中包含的92个水动力导数简化至25个，并通过对比简化模型和原始模型的仿真试验结果，验证了简化模型的合理性及灵敏度分析直接方法的有效性。　　通过本文的研究，验证了支持向量机应用于水下航行器动力学辨识建模的有效性，为水下航行器的动力学辨识建模研究提供了一种新途径，对水下航行器的操纵性研究将起到一定的促进作用。