地震预警技术是近20年来发展起来的一种减轻地震灾害的有效手段,当地震发生以后,为了能够在第一时间开展抗震救灾工作,需要对各地震台站采集的余震序列信息进行实时动态监测。地震预警技术的基本原理是:利用P波比S波传播速度快的特性,对先至的P波进行快速拾取和分析,从而实现对破坏性较大的S波的提前预警,减少人员伤亡和财产损失,因此如何快速、精确地拾取P波S波震相便显得至关重要。传统的地震震相自动拾取方法主要有人工识别法和STA/LTA方法,其中人工识别法费时费力,而STA/LTA法主要基于信号处理方法,然而影响地震识别的因素十分复杂,且存在噪声干扰,导致识别误差较大,因此研究和发展新的震相拾取方法意义十分重大。本文尝试将神经网络方法引入到地震震相识别中,利用神经网络方法解决震相识别问题的优点主要有:(1)地震波记录是一种类随机事件波形,而神经网络是高度的非线性网络方法,具有高度的非线性映射功能,在任意复杂曲面分隔方面具有明显优点,因此使用神经网络可以很好地学习到随机地震波形中的规律。(2)使用神经网络开展实验不需要人为地理解特征属性间复杂的关系,不需要计算公式和约束条件,便可以收敛到一个最优解,对不同地震环境的实验数据也能有很好的适应性。(3)利用神经网络的高效性和准确性,解决了传统震相拾取方法中效率低下和准确率较低的问题。论文的主要研究内容及进展包括:1.研究地震震相拾取相关的特征属性。分析地震信号记录各属性与P波S波到时之间相关性,最终选取时间、振幅、偏振角、偏振度、垂直能量与总能量比值、长短时能量比值6个属性作为特征属性,输入神经网络;2.分析和研究地震信号的时间依赖特性。分析对比多种神经网络模型的优缺点和应用场景后,本文使用LSTM神经网络开展震相拾取实验,通过构建特殊的神经网络结构,实现对地震时序信号的建模分析,对时序上邻近的震相可以进行综合分析,大大提高了拾取P波S波震相的精度。3.研究与设计地震震相拾取的神经网络模型结构。通过使用权值调整和数据分组的方法,解决了实验中存在的样本不均衡问题。并通过反复训练实验,调整网络结构和参数,最终实现了模型收敛;4.开发验证系统验证实验结果和完成对比实验,验证系统在Tensor Flow神经网络框架下进行开发,完成了神经网络震相识别的训练以及测试的实验,同时进行了传统震相识别方法的对比实验,进行了实验结果分析。