港口水域交通流及航行环境较为复杂,靠泊操纵难度较大,且随着港内船舶交通量的增长,发生海上交通事故的概率随之增加。因此,保障船舶靠泊安全,是船舶驾引人员及海事监管部门面对的重要课题之一。随着船舶自动识别系统被广泛应用于各类船舶,包含船舶航行信息的AIS数据呈爆炸式增长,具有极高的研究价值。因此,本文以天津港AIS历史数据为基础,对船舶靠泊行为进行了如下研究:(1)针对AIS数据中MMSI、船位、航向和航速等,提出数据异常检测及修正模型,建立AIS数据清洗及存储框架,为基于船舶AIS数据的靠泊特征分析提供数据保障。(2)为准确区分靠泊轨迹泊位信息,本文提出一种基于泊位聚类的船舶靠泊轨迹分类方法。基于密度聚类算法(DBSCAN)对泊位点进行聚类,根据泊位簇匹配船舶轨迹,该方法可以准确区分船舶靠泊点及靠泊轨迹。经与真实泊位的对比,验证聚类结果的准确性。(3)基于已获得的船舶轨迹类簇,对不同尺度的船舶分析船舶靠泊行为特征。针对航速特征设计船舶到达距离模型,并采用基于最小二乘法的非线性拟合方法得到航速分布规律;针对航向特征,将航向离散至8个方位区间,获得航向特征分布;给出一种门限统计算法,可用于分析船舶经过门限时的船舶航行特征和各时段船舶流量。(4)提出一种基于双向GRU网络模型的船舶靠泊轨迹预测方法,基于集装箱船靠泊轨迹,构造包含船舶靠泊特征的AIS训练数据集,采用双向GRU网络对数据集进行训练并生成预测模型。结果表明,与LSTM、GRU等模型相比,利用双向GRU网络预测模型的方法误差更小,结果更精确。