El rápido crecimiento del tráfico marítimo conduce a la congestión del tráfico, lo que causa accidentes marítimos. La predicción precisa de la trayectoria de los barcos puede mejorar la eficiencia de la navegación y la seguridad del tráfico marítimo. Estudios anteriores se han centrado en desarrollar un modelo de predicción de trayectoria de barcos utilizando un enfoque de aprendizaje profundo, como una red de memoria a corto y largo plazo (LSTM). Sin embargo, una red neuronal convolucional (CNN) rara vez se ha aplicado para extraer la correlación potencial entre diferentes variables (por ejemplo, longitud, latitud, velocidad, rumbo sobre el fondo, etc.). Por lo tanto, este estudio propone un modelo de predicción de trayectoria de barcos basado en aprendizaje profundo (es decir, CNN-LSTM-SE) que considera la correlación potencial de las variables y las características temporales. Este modelo integra un módulo CNN, un módulo LSTM y un módulo de compresión y excitación (SE). El módulo CNN se utiliza para extraer datos sobre la relación entre diferentes variables (por ejemplo, longitud, latitud, velocidad y rumbo sobre el fondo), el módulo LSTM se aplica para capturar dependencias temporales, y el módulo SE se introduce para ajustar de manera adaptativa la importancia de las características del canal y centrarse en las más significativas. Experimentos de comparación de dos barcos de carga en un intervalo de tiempo de 10 s muestran que el modelo propuesto CNN-LSTM-SE puede obtener el mejor rendimiento de predicción en comparación con otros modelos en índices de evaluación de error cuadrático medio promedio (ARMSE), error porcentual absoluto medio promedio (AMAPE), distancia euclidiana promedio (AED), distancia sobre el fondo promedio (AGD) y distancia de Fréchet (FD).