我国的海域拥有丰富的石油和天然气资源。在我国渤海和南海的海洋油气资源开发利用活动中FPSO(Floating Production Storage and Offloading浮式储油卸油装置)已成为一个非常流行的解决方案。但是由于海洋环境的复杂多变和近年来FPSO吨位的增加,导致了许多FPSO系泊系统事故的发生。本论文提出了一种基于DBN(Deep Believe Network深层信念网络)算法的多传感器特征学习模型,来对FPSO系泊系统的安全状态进行分类,用以避免系泊事故。本文是按照如下的几部分进行撰写的。首先,介绍了FPSO单点系泊系统的结构并分析了影响系统安全的因子和关于FPSO系泊系统的安全状态监测的相关研究。然后,为了介绍了本文用到的DBN算法,介绍了深度学习算法及其发展,DBN的组成单元RBM(restriction Boltzmann machine受限玻尔兹曼机)的相关内容和DBN算法在多方面的应用研究。接着,着重阐述了本文提出的基于历史数据的DBN的特征学习和分类模型的建立。这个基于DBN的FPSO安全状态分类模型是通过三部分内容建立起来的:第一,收集传感器得到的工况数据集,并定义FPSO的安全状态分类标准。第二,用训练数据对DBN特征学习模型进行训练,建立基于DBN特征学习和分类模型。第三,用测试数据集来验证该基于DBN特征学习和分类模型的有效性。最后,我们简略介绍了两种机器学习算法,并用这两个机器学习算法与本文中提出的基于DBN的多传感器特征学习和分类模型进行了对比。验证了深度学习算法在对FPSO安全状态分类方面的优越性。