船舶在海上航行时受到洋流、海浪、海风等海洋环境的影响会产生艏摇、纵摇、横摇、升沉、纵荡、横荡六个自由度的运动,这对于诸如舰载机起降、船载起重机的海上作业等造成了极大的安全隐患。因此,就需要对船舶运动进行极短期预报,为海上作业的决策与控制提供辅助信息,这对于保障海上作业安全,提高海上作业能力具有重要意义。本文首先针对低海况下具有线性平稳特征的船舶运动,提出一种基于在线自回归（Autoregressive,AR）模型的船舶运动预报方法,首先建立AR模型,根据Akaike信息量准则对AR模型进行定阶,利用在线迭代学习策略对AR模型的系数进行实时更新,从而实现对船舶运动的在线预报,然后利用MATLAB软件进行仿真,将其与传统AR预报模型和神经网络预报模型进行比较,仿真结果表明,基于在线AR模型具有更高的预报精度。进一步,针对中高海况下具有非线性非平稳特征的船舶运动,提出一种改进的经验模态分解（Empirical Mode Decomposition,EMD）方法,改善了传统EMD方法存在的端点效应和模态混叠两个缺陷,然后利用改进的EMD方法对船舶运动数据进行预处理,并结合在线AR模型,提出一种基于改进EMD方法和在线AR模型的船舶运动预报方法,实现对船舶运动的在线预报,并利用MATLAB软件进行仿真,将其与基于传统EMD方法和在线AR模型的预报方法进行比较,仿真结果表明,基于改进EMD方法和在线AR模型的预报方法具有更高的预报精度和更长的预报时长。最后,针对采用单一预报模型难以充分捕捉非线性非平稳船舶运动数据特征信息的问题,提出一种融合在线AR模型和在线最小二乘支持向量回归（Online Least Square Support vector Regression,OLSSVR）模型的双模型船舶运动预报方法,使得数据的特征信息得到了充分地利用,实现对船舶运动的在线预报,并利用MATLAB软件进行仿真,将其与基于改进EMD方法和在线AR模型的预报方法进行比较,仿真结果表明,融合在线AR和OLSSVR双模型的预报方法具有更高的预报精度和更长的预报时长。