长鳍金枪鱼作为高度洄游喜集群的大洋中上层鱼类,广泛分布于南太平洋区域,因其产量较高,营养价值丰富,已成为南太平洋金枪鱼延绳钓的主要捕捞对象之一。如何对南太平洋长鳍金枪鱼渔场做出合理有效的预报,已成为当下远洋渔业捕捞领域中的研究热点之一。由于传统渔场预报方法模型结构简单,可学习参数量少,面对规模庞大,复杂多维的海洋大数据往往拟合效果较差,因此其预测精度较低,对渔业的作业指导较为局限。而深度学习可以挖掘出复杂动态场景中重要的语义特征,可以拟合高维复杂数据,提取隐式高阶特征信息。同时特征交互技术可以以显式可控的方式学习特征之间的交互信息,可以与深度学习形成互补关系。因此将深度学习与特征交互技术相结合提出适用于渔场预测领域的模型,进一步提高渔场预测精度是一项极具意义的研究。本课题通过研究大量深度学习与特征交互相关文献,并结合其在各个领域的成功应用,提出了两种不同的基于特征交互与深度学习的渔场预测模型:（1）第一个模型利用2000-2015年南太平洋长鳍金枪鱼延绳钓渔业生产数据,结合3种环境因子和3种时空因子数据,提出一种基于特征交互与卷积网络的渔场预测模型CNN-Cross。该模型引入Embedding层对数据进行处理,解决了onehot（独热编码）带来的特征稀疏性问题以及手动特征工程对结果的影响。同时,引入Cross网络提取特征之间的交互信息,消除了单特征对目标拟合不足的问题,并且结合CNN网络对Embedding层生成的二维特征图进行高阶隐藏信息提取,最后将两部分网络提取到的特征通过全连接层进行融合,输出分类结果。本课题利用2015年数据对模型效果进行验证,结果表明,模型预测南太平洋渔场总召回率达到了87.4%,中心渔场召回率达到了89.4%,相较与效果较好的F-ACN模型,中心渔场召回率提高了5.4%,总召回率提高了9.1%。研究证明,将特征交互网络与卷积神经网络相结合可以明显提高渔场预报精度,且精度能够较好满足现实渔业作业需求。（2）第二个模型考虑到人为划分渔场等级可能存在误差,故将预测渔场等级变更为直接预测渔场的CPUE值,这样消除了人为划分渔场的误差,也避免了为数据集划分标签的工作,预测结果更具有参考性。另外为了进一步提高模型的性能,本模型实验数据集中环境因子部分又重新收集了额外16个环境因子,环境因子个数达到了19个,可以更好地模拟海洋复杂环境。本模型结合自注意力机制,使用基于向量级特征交互的CIN网络提取时空因子数据的显式特征交互信息,使用DNN提取环境因子隐式高维特征信息,最后融合两部分特征,并最终输出CPUE预测值。实验结果表明,本章模型与同类模型相比,RMSE为0.131,MAE为0.060,均达到了最小值,证明了本章模型设计的有效性与合理性,为渔场预测提供了一种全新的方法。两个模型的实验结果与同类型模型相比均达到了最高的预测精度,该实验结果也证明了将深度学习与特征交互技术相结合并应用于渔场预测领域可以有效提高渔场预测精度,同时也为后续的渔场预测研究提供了一种全新的研究思路。