随着煤炭开采条件的劣化,矿山灾害的来临越来越具有突然性,基于传统的岩石力学方法如矿压检测法等在检测时具有一定的局限性,随着声发射（AE）系统的普及,检测岩石内部破裂情况从而达到预防煤岩动力灾害成为主流。岩石破环产生声发射现象,声发射平静期是声发射现象中的一个特殊阶段,声发射平静期处于岩石破裂阶段前,其具有一定的独特性,所以对声发射平静期的研究可以预测岩石的破裂。为探究岩石破坏的前兆信息,提高平静期的识别准确率,本文以黄砂岩单轴压缩实验为实例,基于机器学习对岩石破裂阶段进行识别研究,并对结果进行分析,探寻影响声发射平静期的参数。主要进行了以下研究工作:选取并对声发射时域数据和频域数据进行数据清洗,其中时域数据为岩石破裂过程中的声发射时域特征参数,频域数据为采样率1Mhz下每个撞击点的波形数据。时域数据对其进行数据去均值化和箱型图处理等多种预处理手段,达到清洗异常数据和降维的目的;频域数据对其进行小波变换去噪,去噪后的数据使用小波包分解,依据各自频带计算其能量占比,以一组8个小波包能量作为其频域特征参数;将时域数据和频域数据结合作为机器学习的特征向量。初始加载阶段、线弹性阶段、弹塑性阶段、峰值破坏阶段,为岩石破裂的4大阶段,弹塑性阶段的后期为声发射平静期,将其单独划分出来为第5个阶段,5个阶段构成机器学习的目标值。基于声发射时域数据、频域数据、复合数据（时频域数据集）,结合四种机器学习模型对实验数据进行准确率评估。然后使用网格搜索遍历参数,寻找k近邻、随机森林、梯度提升回归树、核支持向量机四种机器学习每一种机器学习方法的最优参数。并对其精确率、召回率、f1值等参数进行分析,评估其对声发射平静期这一阶段的识别能力。根据模型学习结果分析影响声发射平静期的因素,结合参数相关性、声发射定义分类、机器学习贡献率占比综合选取对声发射机器学习模型最有效的参数,选取出参数后建立新的模型与旧模型在运算时间和数据量上进行对比。将由精确率评估得到的对声发射平静期最有效果的机器学习模型作为模板,以此模板为基础设计并开发声发射平静期识别系统。主要研究结论如下:（1）机器学习模型可以直接应用于单一的时域数据集或频域数据集,但也可以将其组合进行使用,通过对机器学习模型准确率的对比可以得出结论,声发射数据集是适应k近邻、随机森林、梯度提升回归树、核支持向量机这四种机器学习模型的,不同方法和数据集的准确率在0.690～0.91之间,复合（时频域）数据集好于时域数据集,好于频域数据集,其中频域数据集的准确率整体性较差,分布为0.7-0.82,数据集均值为0.78。较好的为时域数据集,分布为0.81-0.88,数据集均值为0.84。最好的为复合（时频域）数据集,此数据集中各机器学习模型差距较小,数据准确率均值为0.9。从机器学习方法上来看,核支持向量机的表现最好,其准确率均值为0.87,其次为梯度提升回归树,其准确率均值为0.84,其次为k近邻,其准确率为0.83,最后为随机森林,其准确率均值为0.81。（2）通过四种机器学习方法和三种声发射数据集的交叉网格搜索,得到了各机器学习模型的最优参数,通过比较得出结论4种机器学习模型的精确率在0.68-0.71之间,其中核支持向量机KVSM最低只有0.68,k近邻和梯度提升随机树RGBT相近都为0.7,随机森林最高为0.71,综合精确率,召回率,f1分数等参数综合来看,其中对声发射平静期识别效果最好的模型为RF（随机森林）,其次为KNN（k近邻）和RGBT（梯度提升回归树）,最后为KVSM（核支持向量机）。（3）通过对声发射定义、分类、相关性以及特征贡献率的比较,对模型建立的声发射参数进行优化,优化后减少了60%的冗余数据量,模型建立的计算时间相比原模型有了显著提高,随机森林减少了10%,梯度提升回归树减少了25%,虽然精确率有所降低,分别降低1.5%和1.1%,但是其整体效率得到了巨大提高,并且随着数据量的增多而越发显著,最终选择出对声发射平静期识别效果最好的声发射特征参数为ASL、中心频率、峰频、绝对能量、持续时间、振铃计数、小波包能量占比1～8。