理。发挥机器视觉等技术的应用，可开展海底沉积物识别、海洋生物分类等任务。但人工智能识别能力薄弱，海洋环境具有高扰动、高噪声特性，水下光线、浑浊度、温度等造成视觉模型识别率降低。与此同时，传感器抗干扰能力不足，水下压力、盐度腐蚀会影响传感器寿命，采集精度难以保持。除此以外，动态处理能力不足，边缘设备算力有待提高，无法满足实训场景诉求［1］。
智慧海洋实训平台的核心在于“数据驱动”，许多智慧海洋实训平台初步建立数据采集、存储、清洗、标注、分析等流程，利用分布式数据库、对象存储等技术管理多模态数据。
但结合相关技术的应用来看，第一，数据标准有待统一，各平台采用的数据精度、格式协议、采样频率等存在较大差异，模型难以迁移。第二，数据质量问题突出，很多平台依靠人工展开标注与清洗，无法支撑模型的大规模训练。第三，数据智能加工能力不足，统计分析模式较为单一，自动标注、智能标记等技术尚未得到全方位普及，阻碍了数据利用率的提升。
1.3实景融合与AI驱动能力仍受限制人工智能作为新技术的代表，可结合具体教学诉求，推行虚实结合的训练模式。在实训平台的建设中，面临一些技术难点。其一，模拟物理真实性不足，未能开展全面的调查和研究，海洋动力、海底地形等模型无法满足训练诉求。其二，收稿日期：2025-12-15