地震预警是减轻地震灾害的有效手段之一,可在地震时减少人员伤亡,并可对重大工程采取紧急处置措施以避免次生灾害发生。地震预警的核心算法是利用地震波初期信息快速估计地震预警参数,但由于观测数据信息量的不足,导致参数估计的精度低,特别是对于重大工程的地震预警,台站布设稀疏的现状使其不能像密集台网地震预警可以利用多台平均以降低参数估计的离散性,基于单台的地震预警参数准确性亟待提升。近年来兴起的机器学习技术,依据从数据流中提取有效特征、并在此基础上归纳演绎新机制的特点,以提升对系统的预测能力,已在地震学领域得到初步应用。本研究基于生成对抗网络、随机森林、支持向量机等经典机器学习方法,利用日本K-NET和Ki K-net强震动观测台网数据建立单台训练、测试、验证数据集,通过从地震波初期信息提取与预测目标参数高度相关的有效特征,构建面向工程地震预警的地震事件识别、震级估计与紧急处置参数预测机器学习模型。在此基础上,探索基于生成对抗网络的地震事件识别、特别是非地震事件干扰剔除方法;研究基于生成对抗网络的地震震级估计方法,分析其大震低估、小震高估以及地震大小震判定的性能;研究基于支持向量机的重大工程（高铁、核电、燃气）地震紧急处置参数现地预测方法,并依据混淆矩阵分析其预测性能。研究的主要成果如下:（1）利用无监督学习算法提取到的波形特征,构建了基于生成对抗网络的地震事件识别方法。通过生成器生成虚拟的地震波形后、利用判别器判断波形真假以提高神经网络的分类性能,将复杂的地震识别问题转化为简单的地震与地脉动的二分类问题。研究结果表明,生成对抗网络方法可以区分出超过99%的地震波和地脉动噪声,相比于传统STA/LTA方法85.61%的识别率有了显著的提升。同时,还探索了生成对抗网络与支持向量机组合模型、生成对抗网络与随机森林组合模型的地震与地脉动分类模型,结果表明也可以区分出超过99%的地震波和地脉动噪声。尤其对于一些干扰信号,例如方波、正余弦信号可以做到100%剔除,这表明在神经网络模型后链接支持向量机或随机森林可有效剔除非地震事件,可为未来地震预警应用提供技术支撑。（2）考虑大震与小震在波性特征上的差异,提出了基于生成对抗网络、生成对抗网络和支持向量机组合模型的中小震与大震的地震大小震判定模型,探索了不同训练时间窗长对大小震判定效果的影响,并利用“交通灯”系统对大小震判定模型在分界点处的结果进行提纯,最大限度地提高地震大小震判定的性能。研究结果表明,组合模型较生成对抗网络模型可以提高22.75%的中小震准确率和6.42%的大震准确率,自信程度更高,且不受时间窗的影响。同时,基于三种原始波形记录,构建了基于生成对抗网络的震级估计模型,且输入位移记录时,模型的误差绝对值在0.88个震级范围的概率为95.52%。与传统的τc方法和dP方法相比,基于位移记录的生成对抗网络模型分别提升了1.6553和0.3878个单位的误差标准差,且在相同的震级范围下,该模型可以分别提高57.98%和23.32%的误差百分比,验证了模型在震级估算上的准确性,有效地缓解了小震高估与大震低估现象。（3）借助机器学习在重大工程地震动参数预测方面优于传统单参数预测的特点,通过理论分析挑选特征参数,训练并优化支持向量机预测重大工程紧急处置参数(高铁PGA0.05-5Hz值、燃气SI值和核电CAV值),构建了输入不同特征参数下误差标准差最小的最佳特征参数组合。结果表明,对于三种目标参数,6参数组合Pa＆Pv＆Pd＆CAV＆Ia＆IV2均可以获得最小的误差标准差。同时,基于各重大工程地震动参数的阈值,计算得到了各目标参数在各阈值下的混淆矩阵,确定了各目标参数第一阈值模型的预测性能,其中燃气SI值的第一阈值预测精度可以达到100%。而且随着阈值的提高,各目标参数的精度持续上升,验证了结合机器学习的紧急处置参数阈值预测模型的优势性和可用性。