地震预警是指在地震破坏性能量抵达预警区域前快速准确地报告地震信息,其中主要的科学问题是地震事件的判断（P波到时的捡测）、地震震源的定位和震级大小的估算。本研究即围绕这三个问题开展研究,提出基于深度机器学习方法的P波捡拾算法Ppick、震源定位方法DNNLOC和震级估算算法CNN-EQMG。快速准确的P波到时捡拾对地震预警系统至关重要。传统的P波到时捡拾算法包括长短时平均法STA/LTA、赤池信息准则法AIC等,它们存在漏捡拾P波、误捡拾背景噪声为P波以及捡拾精度不高等问题。为解决这些问题,本研究提出了基于深度机器学习的P波到时捡拾方法（Ppick）,并利用日本井下地震记录训练这一模型。Ppick具有较低误捡拾率,在6578个噪声样本仅有21条被误捡拾为P波;Ppick的漏捡拾率随着窗口内P波长度的增大而降低,当窗口内P波在0-1s时漏捡拾率最高（92条,1.4%）,当窗口内P波在2-3s时漏捡拾率最低,6578个P波样本中仅有1条被漏捡拾。测试结果表明,Ppick在地震预警中的P波到时检测具有广阔的应用前景。快速准确地估算震源位置对地震预警而言同样是至关重要的。传统的地震震源定位算法通常是基于线性、非线性和概率的方法,它们存在计算损耗大或者定位精度不足的问题,也有基于深度机器学习方法直接利用地震波实现震源定位,但这些算法使用了较长的地震波而不适用于地震预警。本研究提出基于全连接神经网络的震源定位算法DNNLOC,它以最先触发的几个台站的经纬度和通过两两台站的到时计算至震源的距离差作为输入特征,输出震源经纬度和震源深度。DNNLOC定位精度随着台站数量的增大而提高,震中距误差标准差、震源深度误差标准差均随着台站数量增大而降低,在测试集上的结果表明DNNLOC在地震预警中的地震震源定位同样有着广阔的应用前景。快速准确地估算震级是地震预警系统的关键一步。同样的,本研究基于卷积神经网络CNN构建了快速准确的震级估算算法CNN-EQMG,取得了远优于传统震级估算算法Pd方法的准确性。相比传统方法通过初至几秒地震波的特征参数与震级的经验关系实现震级估算,CNN-EQMG直接从地震波中提取与震级相关的特征,摆脱了对人的经验知识的依赖。CNN-EQMG利用日本和智利大量地表强震记录进行训练（98257条记录）、验证（31429条记录）和测试（40638条记录）,利用美国和新西兰的强震记录进行泛化性能测试（583条记录）。从结果看,CNN-EQMG的准确性随着波长增大而增大,并且均优于Pd方法的准确性:当初至地震波时长为3 s时,在4-6.4级范围内,CNN-EQMG方法估算震级的准确率是Pd方法的1.5倍,在6.5-9级范围,CNN-EQMG方法估算震级的准确率是Pd方法的1.2倍;当初至地震波从3 s增加到10 s时,CNN-EQMG方法能够随着地震波时长的增加不断提高估算震级的准确率,并且始终高于Pd方法,特别是对于4-6.4级地震,CNN-EQMG方法在初至3 s地震波时估算震级的准确率是Pd方法在初至10 s地震波时的1.2倍。CNN-EQMG方法从初至地震波中自动学习到了与震级更为相关的特征,这些特征极大地改善了震级估算的准确性和时效性,可以为地震预警系统提供更快速更准确的震级估算。