با رشد روزافزون صنعت کشتیرانی و نقش کلیدی آن در زنجیره تأمین جهانی، اهمیت بهبود روش‌های نگهداری و تعمیرات در افزایش ایمنی، کاهش هزینه‌ها و ارتقای بهره‌وری عملیاتی شناورها بیش از پیش احساس می‌شود. پژوهش حاضر به بررسی جامع راهبردهای نگهداری و تعمیرات پیش‌بینانه (PdM) مبتنی بر داده در صنعت دریایی می‌پردازد و مروری بر جدیدترین تکنیک‌های مورد استفاده در سامانه‌های مختلف کشتی، شامل پیشرانه، الکتریکی، کمکی و بدنه ارائه می‌دهد. برخلاف روش‌های سنتی مانند نگهداری واکنشی و پیشگیرانه، نگهداری و تعمیرات پیش‌بینانه (PdM) با بهره‌گیری از الگوریتم‌های یادگیری ماشین (ML) و یادگیری عمیق (DL) قادر است زمان خرابی را پیش‌بینی کرده و برنامه‌ریزی نگهداری را بهینه سازد. این مقاله به بررسی مدل‌های مختلف، از رگرسیون خطی تا شبکه‌های عصبی پیچشی و حافظه‌دار (مانند شبکه‌های حافظه کوتاه‌مدت بلندمدت (LSTM) و شبکه‌های عصبی پیچشی (CNNs)) می‌پردازد و چالش‌های عملیاتی آن‌ها از جمله نیاز به داده‌های برچسب‌خورده، پیچیدگی محاسباتی، و مشکلات مقیاس‌پذیری را تحلیل می‌کند. همچنین، از رویکردهای نوین مانند یادگیری فدرال (FL) و یادگیری انتقالی (TL) به عنوان راهکارهای نویدبخش برای حفظ حریم خصوصی، امنیت داده و کاهش نیاز به منابع متمرکز نام برده می‌شود. در نهایت، با اشاره به خلأهای موجود در استانداردسازی، داده‌های ناکافی و شفافیت تصمیم‌گیری مدل، مسیرهای آینده پژوهش و توسعه سامانه‌های نگهداری و تعمیرات پیش‌بینانه (PdM) قابل اعتماد و تطبیق‌پذیر برای صنعت دریایی ترسیم می‌گردد.