我国是一个地震多发国家,处在欧亚板块、太平洋板块和印度板块的共同作用下,地震活动频度高、强度大、分布范围广,地震灾害的发生会给人民生命和社会经济带来极大伤害。我国地震预报相关研究已经开展了多年,目前我国地震前兆观测台网的观测手段超过50多种,经过多年的观测,积累了丰富的地球物理、地壳运动和地球化学连续观测数据,这些原始观测数据及观测资料作为地震前兆台网产出的核心产品,是开展地震分析预测的重要基础。然而由于地震发生的复杂多变性,地震形成机理和孕育过程仍然处于初期的探索阶段,迫切需要对研究。现阶段采集到的地震前兆观测数据蕴含着信号变化细节和动态演化过程中的规律,对这些数据进行分析可以准确识别地震前兆异常模式从而为第一时间分析发现地震事件提供有力理论技术参考。目前制约前兆观测数据在地震预测预报中有效应用的最突出问题是海量高采样率观测数据和与之不匹配的分析人员逐天逐台的处理和分析模式,传统的计算方法和处理模式已经很难快速的在海量观测数据中自动定位异常,因此,如何利用大数据技术和异常模式自动识别技术从地震前兆观测数据中发现异常,排除由环境因素和仪器自身因素造成的异常,研究异常和地震的关系,开展地震预测实践,是一项非常有意义的工作。在面向实际应用的研究工作中,地震前兆观测数据异常识别技术由于能够全面地反映地震前兆观测分析系统资源受限、观测数据质量不稳定以及海量多源异构等应用特点而成为研究地震前兆观测高效准确分析技术最适宜的切入点。目前,地震前兆观测分析系统异常识别技术的研究面临如下技术问题：(1)观测系统中数据类型多、数据量大、传输要求差异性大以及仪器、网络故障率高等诸多原因导致的数据采集和传输的可靠性差,无法保证观测数据及时、准确和完整地获取；(2)地震前兆观测数据中存在着观测设备故障率较高、外界环境干扰性构成复杂多变等不利因素,其中有些干扰因素是目前技术手段无法觉察或者人们尚未认知和排除的,造成数据质量的不稳定,这将对地震前兆观测数据的异常模式的准确性识别带来较大困难；(3)随着地震前兆观测数据分析系统规模的不断增大、观测数据种类和时间跨度不断增加,相应地网络中待综合分析的数据量也急剧增加,另外海量数据相应分析处理需要具备尽可能高的实时性,以便能够第一时间发现地震前兆异常模式和现象以便进行有效应对。针对上述技术问题,本文在总结已有工作的基础上,根据地震前兆观测数据的自身特性,重点开展了适用于大规模地震前兆观测系统中海量多源异构观测数据的可靠、准确、高效地采集,前兆观测数据的准确识别算法和大数据平台下异常模式快速识别方法等关键技术的研究,研究成果可为现有地震前兆观测数据处理系统的改进和完善提供新的解决思路。具体研究工作主要包括：1、针对各类地震观测环境中对数据采集需要低延迟、高精确度以及全面可靠的覆盖等要求,设计了一种分层结构地震前兆数据采集原型系统。该系统的核心思想是设计了基于区域的数据收集算法和自适应睡眠、唤醒机制,从而增加数据处理速率以及减少不必要监听消耗的能量,达到及时检测出地震前兆观测气象、水文等辅助观测量变化的目标。实验结果表明,和已有的监测系统相比,本文设计的分层系统具备更快的数据处理速率,并且能够减少因为不必要监听产生的能源消耗,从而更及时和准确的对环境变化进行预测。同时提出了一种新型的节能最优环的数据转发协议,重点解决了传感网中的边缘问题,用以减小漏斗效应的不利影响并且延长网络寿命。实验结果表明,该协议能够有效平衡和降低能源消耗,从而延长网络寿命和支持大规模网络。2、针对传统异常模式识别仅在原始信号时间序列上对时间点的幅值进行比较,识别的准确度受信号中包含的噪声影响较大这一问题。提出-种利用多孔小波算法将原始数据时间序列进行分解后,在不同层次按照每个采样点的幅值和局部频率特征匹配的多分辨率异常模式识别算法,能够在时间序列中自动搜索重复出现的任意指定长度和结构的异常模式。多孔小波算法的使用保证了变换过程中的时移不变性,可保证识别结果时间的准确性,同时抗干扰能力也较强。通过模拟数据和实际观测数据对算法开展了仿真与实际识别实验,结果表明该算法不仅能够准确地在带有噪声的模拟数据中识别人为添加的异常模式,同时也能够在实际观测数据中,从不同尺度分析数据,发现一些我们平时难以感知的微小异常。相比传统算法,该算法最大的优势在于通过调整参数,算法能够分别设定幅值或频率指标的权重比例,实用性更强。3、针对海量高采样率观测数据和与之不匹配的分析人员逐天逐台的处理和分析模式,传统的计算方法和处理模式已经很难快速的在海量观测数据中自动定位异常,且识别率较低这一问题,借鉴图形处理领域相关理论和大数据处理技术,改进了SURF算法以更好适应地震波形图像的匹配,定义了一个新的描述地震前兆波形变化趋势形态异常的相似度量函数。完成了基于HADOOP的SURF特征提取和特征匹配程序开发。针对实际地震数据,分别进行了单机串行和集群并行SURF算法异常模式识别实验,对比分析了单机和集群下算法执行效率和准确率上的差异。同时,通过对不同采样尺度的地震波形进行异常识别,验证了SURF算法对地震数据异常识别的有效性和适应性。