近年来,随着国家在防震减灾投入的不断增加,地震监测网络逐步完善,地震台站记录了大量的波形数据,这些波形数据为地震定位、地震分析等研究提供了数据支撑。在处理连续波形数据时,首先从连续的波形数据中检测包含地震事件的波形片段,然后在包含地震事件的波形片段中拾取波形初至时间。相关处理最初由受培训的专业人员人工完成,需要耗费大量的人力成本和时间成本,因此自动化的地震事件检测和波形初至拾取方法成为学术研究的热点。地震台站接收波形数据,收集连续不断的波形记录。在处理波形记录时,首先检测地震事件,然后拾取波形初至。地震事件检测是指从连续的波形数据中找出含有地震事件的波形片段,波形初至拾取是指在地震事件中识别出地震波P波(横波)和S波(纵波)首次到达观测台站的时间。目前流行的自动化处理方法STA/LTA(长短窗均值比法)以及AR-AIC(自回归赤池信息准则法)主要从信号处理的角度出发,通过设计波形相关的属性、设置阈值并进行大量的调参工作以达到最优效果。STA/LTA以及AR-AIC方法不仅需要设计者具备专业的地震知识,而且需要大量的调参工作,虽然处理速度快但其效果受噪声影响大。随着人工神经网络的发展,有学者开始研究基于人工神经网络的自动化处理方法。尽管这些方法省去人工调参的工作,但仍然需要人工设计输入到人工神经网络的特征,人工设计的输入难以完全利用波形数据中包含的信息。本文首先阐述地震事件检测和波形初至拾取的研究背景,介绍和分析了地震事件检测和波形初至拾取的相关算法以及深度学习研究进展。针对地震事件检测任务,目前大多数利用卷积神经网络的方法忽视台站之间因地理位置可能导致的差异,针对所有台站只训练一个检测网络,利用大量数据训练,取得了良好的效果,但是在数据量减少时效果会大幅退化。针对波形初至拾取任务,传统的STA/LTA和AR-AIC方法不能完全利用波形数据的序列性,且受噪声影响大,一些基于深度学习的方法以波形数据为输入取得了良好的拾取效果,但是由于地震数据序列较长,其方法只能用于微小地震。针对上述挑战,结合地震数据的特点,本文主要贡献点如下:(1)针对少样本的地震事件检测问题,本文考虑到地震台站因所处地理位置所导致的差异性,提出了一个基于多任务学习的地震事件检测模型。首先,本文以台站间距离作为聚类的标准,对各地震台站进行聚类并将各地震台站簇检测地震事件视为单个学习任务。其次,对多个任务使用基于硬共享的深度多任务学习方法,联合多台站数据对每个学习任务建立单独的地震事件检测网络。实验表明该方法提高少样本情况下使用卷积神经网络检测地震事件的效果。(2)针对波形初至拾取任务,本文充分利用地震数据的序列性,借助序列标注的思想,提出了一个基于深度学习的拾取模型。首先,本模型设计了一个网络,以序列数据为输入,对序列数据实现降维并利用序列标注得到波形初至的大致到时。其次,利用大致波形初至到时切分波形,并将传统拾取方法应用于切分出的波形数据,从而精确拾取波形初至到时。实验表明该拾取模型鲁棒性好,拾取成功率高,拾取误差小,且所提出的网络具有良好的迁移性。