针对AUV 6自由度运动非线性和强耦合性，提出一种基于蜣螂优化（DBO）的深度双向时域卷积神经网络的非线性系统辨识建模方法。首先，采用双向时域卷积网络（BiTCN）、双向门控循环开关（BiGRU）和注意力机制构建深度双向时域卷积神经网络（Deep-BiTCN），建立AUV 6自由度非线性黑箱模型。其次，为提高Deep-BiTCN模型预测精度，采用DBO算法对模型超参优化。最后，与支持向量机（SVM）和随机森林（RF）模型比较，结果验证了本文运动建模方法的可行性和有效性。实验结果表明，DBO使得Deep-BiTCN算法模型均方根误差（RMSE）、平均绝对百分比误差（SMAPE）分别降低了58.94%、49.22%，决定系数（R2）提高了0.73%。本文的运动辨识模型精度高、收敛性强，避免了由于运动非线性导致的预报误差大、强耦合运动系统易发散的问题，可为AUV运动提供一种有效的建模与预报方法。