为了减少海上交通拥挤以及事故的发生概率,推动水上交通管理智能化和高效率运作,本文紧紧围绕“船舶轨迹的聚类与预测”这一主题,将海事领域的工程应用作为最终目的,凭借机器学习和深度学习理论作为技术支持,运用Python语言进行模型的搭建,以理论研究与实验分析相结合的方式开展研究,主要工作如下:（1）在船舶轨迹段聚类方面,提出改进了两种轨迹相似度量算法,并结合DBSCAN算法建立两种基于综合相似度量的船舶轨迹段聚类模型。然后以长江入海口的数据为研究对象,将所提模型分别与基于Hausdorff和Frechet的轨迹段聚类模型进行对比,实验表明,通过耦合面积、耦合平均面积的方式克服了现有轨迹相似度量算法缺乏时序性体现和抗噪性差的问题,提升了聚类效果。对于聚类结果,最后成功地采用一种基于扇形扫描区域的典型轨迹提取算法对聚类结果进行典型轨迹提取,并将其与标准航线进行误差对比,结果表明所提两种模型下的典型轨迹在误差方面具有明显优势,可以用于后续工程应用。（2）在船舶轨迹预测方面,针对现有船舶轨迹预测模型实际应用性差、精度低的问题,提出一种结合AMS的复合船舶轨迹预测模型。该模型通过增加复杂度的方式,利用BP网络校正LSTM网络误差,初步提升了模型,并针对优化算法进行探究,将当前主流的ADAM优化算法的改进算法AMS成功运用到所提船舶轨迹预测模型上,用来进一步优化模型。最后针对所提模型,以AIS轨迹数据为基础对模型进行验证,通过在多项性能参数和递归应用测试等方面与单一LSTM网络模型对比,结果表明复合船舶轨迹预测模型具有高精度、高鲁棒等优点,可以为海上船舶交通管理部门提供参考。