面向海洋强国建设国家战略需求，聚焦海洋环境认知、海洋资源可持续利用与海上活动安全，开展人工智能与海洋科学交叉研究。融合海洋遥感、环境场、船舶轨迹及渔业生产等多源数据，研究复杂海洋场景下的时空表征学习、多模态信息融合、动态交互建模与智能预测方法，探索领域知识与数据驱动相融合的海洋时空智能分析体系。先后承担国家自然科学基金项目、国家重点研发计划相关科研任务及行业横向项目，在 Information Fusion、Neural Networks、Ocean Engineering、《地球信息科学学报》《农业工程学报》等国内外高水平学术期刊发表多篇论文，持续推进基础方法创新与行业应用，为海洋资源开发保护与海洋治理现代化提供科技支撑。
1. 海洋环境与资源时空智能
围绕海洋环境与资源分布的多尺度变化，研究典型海洋现象的智能感知、演变推演及环境—资源关联建模。以中尺度涡动态预测和渔场智能分析为基础，探索复杂环境、稀疏观测与不确定条件下的时空学习方法，为海洋环境预报和资源信息服务提供支撑。
（1）海洋现象智能感知与演变分析。 融合多源遥感与海洋环境数据，开展中尺度涡、锋面等典型海洋现象的特征提取、自动识别与动态追踪，挖掘轨迹模式、生命周期特征及跨尺度演变规律。
（2）海洋过程建模与生成式预测。 联合刻画海洋现象自身演化、背景环境与邻域交互关系，研究知识引导的动态图建模与生成式预测方法，探索多种可能演化路径及其不确定性，提升复杂海况下的预测能力与跨海域泛化水平。
（3）渔业资源预测与潜在渔场挖掘。 融合多源环境、海洋动力特征与渔获观测，研究环境条件与资源分布的时空关联，开展渔获指标预测、环境因子贡献分析与潜在渔场识别，探索观测稀疏、采样偏差和可靠负样本缺失条件下的资源适宜性建模。
2. 海上目标行为认知与动态预测
围绕海上目标的运动规律、活动模式及其与环境的关联，研究多模态行为表征、上下文理解与动态预测方法。以AIS船舶类型判别和作业行为识别为基础，拓展轨迹预测、异常行为检测与群体交互分析，探索复杂场景下具有鲁棒性、可解释性与迁移能力的行为认知方法，为海上活动监测和风险研判提供支撑。
（1）船舶类型判别与行为语义理解。 联合利用轨迹时序、频域特征与空间形态，研究多模态自适应融合及上下文表征方法，开展渔船作业类型判别和细粒度行为识别，刻画不同活动模式及行为状态转换规律。
（2）船舶运动预测与动态交互分析。 综合历史运动、行为状态、周边目标及海域环境，研究多尺度时空依赖与目标间交互关系，探索行为条件引导的轨迹预测、群体活动模式挖掘及复杂场景下的多路径推演。
（3）鲁棒时序学习与行为异常检测。 面向噪声干扰、有限标注和数据分布变化，研究时序特征学习、正常模式建模与分布自适应方法。在多变量时序异常检测研究基础上，拓展船舶异常运动与异常行为识别，探索结合环境上下文的异常解释与风险线索发现。
