地震潜藏着巨大的危害性。地震领域的研究者们,一般是通过监测地震信号来了解地震的发生和传播过程。地震信号来源复杂,其来源不仅可能是天然地震事件,还可能是如人工爆破、化学爆炸、地下核爆等非天然地震事件。由于条件所限,本文相关研究所涉及的非天然地震事件只考虑人工爆破事件;只考虑人工爆破事件的另外主要原因是:人工爆破这类工程活动也是地震观测台网中出现较为频繁的事件震源类型。针对天然地震和人工爆破的地震波形信号分类问题,本文研究了基于经验模态分解(EMD)、变分模态分解(VMD)和长短期记忆网络(LSTM)的模型分类识别方法;基于时频图和深度学习分类识别方法;基于熵分量特征的分类识别方法。主要工作如下:(1)提出了一种基于EMD-VMD-LSTM模型分类识别方法。综合经验模态分解和变分模态分解2种现代信号处理方法并应用于地震信号处理,利用对时间序列具有良好处理能力的长短期记忆网络,构成EMD-VMD-LSTM模型,以对地震信号进行分类识别。(2)基于了熵分量特征来进行地震信号的分类识别。地震波形经过小波包分解的1条波形可得到1个小波包系数矩阵,对该矩阵进行奇异值分解,取较大的排在前面主要奇异值计算得到香农熵各分量即为熵分量。(3)集成使用时频图和深度学习方法进行地震信号的分类识别。采用S变换、连续小波变换和短时傅里叶变换,对地震信号进行时频变换,获得地震信号的时频图像,再利用VGG16、Resnet50深度学习方法对时频图像进行特征提取及分类识别。(4)编制了一款地震信号处理软件。可提供良好的交互操作,以对地震信号事件进行更好的交互管理。软件还集成了一些特征提取算法和分类识别算法,如求取信号能量值,软件能实时的展现出信号波形状态。这项工作为本研究的后续工作提供了必要基础。本文提出的基于EMD-VMD-LSTM分类识别方法,既保持了对地震信号的整体性观察,也进一步提升了分类识别率;使用时频图和深度学习的分类识别方法,能免去了人工提取特征的步骤,并且把信号转变为了图像,可以更直观的对信号分析,该方法以波形为识别单元,取得了87.82%的正确识别率;提出的新特征方法:熵分量特征,以事件为识别单元,则取得了天然地震事件96.67%的正确识别率和爆破事件94.29%的正确识别率,这表明熵分量是一个值得进一步探讨的潜在高可靠性的地震信号分类识别特征。