自地面引力波激光干涉仪探测器LIGO/Virgo建成以来,已经完成了第一轮（O1）,第二轮（O2）以及第三轮（O3）观测,截止目前已探测到90余次引力波事件。引力波的成功探测标志着人类进入了引力波天文学和多信使天文学时代。未来随着更多引力波探测器的建设,探测到引力波事件将变得更为常态化。这不但需要更高灵敏度、更宽频带的探测器,也需要快速、高效、准确的数据分析方法。当前,检测瞬时引力波信号的标准方法仍然是匹配滤波技术。尽管其在噪声背景中提取微弱引力波的效果很好,但该技术需要处理大量的数据,耗时长,成本高,同时无法处理未知理论波形的引力波信号。近几年,将深度学习应用于引力波数据处理的研究得到了广泛的关注。对于典型的双星并合过程释放的引力波信号,深度学习的识别能力可以和匹配滤波技术相比拟,同时极大地缩短了线下的数据处理时间。本文通过构建深度神经网络模型,提升了对真实引力波数据处理和分析的效率,并且有效降低了传统机器学习方法识别引力波信号的误警率。该研究对未来实现引力波实时探测提供了有效的手段,进而推动引力波天文学和多信使天文学的发展。目前探测到的真实引力波事件绝大部分是双黑洞系统并合所产生的,因此本文只针对此类波源产生的引力波事件进行研究。本文的结构如下:第一章概述了引力波研究背景以及现状。同时总结了匹配滤波技术的优缺点,机器学习的发展现状,以及使用机器学习处理引力波数据所表现出来的优势。第二章针对深度学习和卷积神经网络的基础知识进行详细的阐述（如神经网络结构、卷积层各层的含义以及相关参数）,为后续构造网络结构和调整超参数作铺垫。第三章着重介绍本文研究所需的训练数据集和测试数据集的构建,并阐述了网络结构以及调节超参数的过程,最终得到优化的神经网络模型。第四章,利用优化的神经网络模型,实现了对真实引力波事件的识别。同时借助时序延时匹配去噪的方法,结合优化的神经网络模型,将O2数据的误警率降低至两个月小于1次的水平。第五章总结全文并展望未来。