在日常生活中,自然现象与人类活动都可能产生一种人耳无法感知的低频信号,这种信号就是次声波,它的频率通常在0.002-20Hz之间。随着人们对次声信号研究的深入,它所表现出来的特征信息也被赋予了越来越重要的意义。1996年,全面禁止核试验条约(CTBT)组织成立,认定次声信号是4种核试验检测的有效途径之一,将次声研究推向一个新的高度。模式识别理论在很多科学和技术领域中得到了广泛重视,次声监测领域也不例外。在实际应用中,监测系统采集到的次声信号存在着大量的自然环境噪声,分类识别工作主要是将特定的某种次声信号从强背景干扰噪声中提取出来,同时与其他类型的次声事件进行区分。区别于其他领域的模式识别,次声分类受到两个因素的制约,一是诸如陨石降落与火箭发射时产生的次声信号与其他声信号相比发生几率较小,样本数量稀缺,基于大数量样本模型的深度学习理论等分类方法在次声信号的模式识别中阻碍重重;二是由于次声信号本身的低频特性,导致其易受环境风等背景噪声的影响。这些因素都会增加使次声信号达到高准确率分类的难度,基于上述分析,本文将从次声信号的普遍性与特殊性两方面出发,对模式分类技术展开研究,旨在小样本数据量的前提下,提高次声事件的识别准确率。本论文主要完成的工作如下:论文以地震、化学爆炸、陨石降落和火箭发射4类事件产生的次声信号为原始数据,首先,针对其易受背景噪声影响的性质对数据进行预处理,提高信号质量;然后,将3种特征提取方技术与在小样本模型中表现优异的LSSVM分类方法相结合,研究基于信息熵的特征提取技术、基于信息熵与EMD分解的特征提取技术与基于希尔伯特变换与EMD分解的特征提取技术的特征有效性,通过Matlab仿真得出分类准确率并进行对比分析;最后,从信号分解方法与分类器参数两方面对模式分类流程进行优化,对比EMD方法与EEMD、CEEMD方法的分解效果,并对LSSVM算法进行网格优化,进一步提高次声事件的分类准确率,通过实验证明优化效果较为明显,最终对小样本事件的最优模式识别方法进行选定,得出结论。