现阶段,地震的准确预测尤其是短临预测,作为公认的世界性科学难题还很难实现。而地震突发性强,而且直接灾害和次生灾害都会带来很大的人员伤亡和损失,所以为了预防地震造成较大的危害,有效的抗震分析、抗震设计以及一定的地震预警紧急措施就尤为重要。深度学习在过去的三十年中取得了长足的发展且广泛应用于众多领域,特别是地震学领域,例如地震岩性预测、地震事件检测与定位、地震相位检测与拾取、相位关联等。深度学习因其具有对事物或抽象概念建立更复杂模型的能力而为地震工程学的研究提供了新的视角,也为更有效地抗震防灾提供了新的途径。鉴于此,本文就地震动输入调整方法、地震预警等关键性问题建立深度学习模型,以K-net以及Ki K-net中2003年至2019年,涉及1698个台站,634个地震共119241条波形记录为数据库,对数据预处理、激活函数、优化函数、模型框架、参数调优等涉及到的若干问题进行了深入研究,完成的主要研究工作及取得的创新成果如下:1、提出了基于卷积神经网络的地震震级分类模型,可为选择合适的地震动输入调整方法提供参考依据。以数据库为基础,对其中每个加速度记录进行基线矫正、归一化等预处理步骤,以Airas强度确定取样起点和终点进行分段取样,以震级5.5级为分类界限做标签形成样本集。经过优化函数选取、学习率和batch size等超参数调优,模型分类平均正确率达到93.3%,基于此该模型可以较好地判断由小震调整后的样本,如果作为地震动输入是否具有大震特性。之后参考人工合成地震方法提出了调整频域的地震动输入方法,经过模型测试,小震记录经过该方法调整有98%左右的成功率被模型识别为大震,由此判断该模型分类依据为地震记录频域的相关特征,可以为模型提供一定的理论解释依据。2、基于建立全连接神经网络建立Arias强度变化趋势预测模型,一定程度上可以提高地震预警的时效性。基于数据库中加速度记录,进行加速度缩放、基线校正后分段采样数据,根据数据重要程度分别以1Hz、10Hz、100Hz对数据进行采样,持时分别为15s、10s、5s,既不影响模型训练效果又可以减少训练时间成本,以未来5s Arias强度增大或减小作为标签形成样本集,构建全连接神经网络模型预测Arias强度变化趋势。经过训练、调优,模型最终达到76.5%的预测平均准确率。该模型可基于当地场地条件等结合预警系统,提高预警系统有效性、提前性。3、构建初始破裂阶段的震级预测模型,探究地震初始破裂阶段确定地震震级大小的可能性。以0.2%的Arias强度时间点为起始点,以100Hz取样频率取0.2s加速度记录作为模型输入,以震级5.5级作为标签界限做样本集,构建全连接神经网络在初始破裂阶段预测震级大小,经过训练和调优模型正确率达到81.2%。之后从样本集中取了六个不同震级但互相关系数较高（0.8左右）的样本,依然能被模型准确预测震级大小。所以在地震初始破裂阶段,大震和小震即使是互相关系数较高的加速度记录,也依然存在一定的现阶段难以人工提取的特征区别。本文的研究贡献和应用价值主要在于:利用深度学习这种较新的方法为地震动输入调整方法的选择依据提供了新的思路,提出了一个可以预测Arias强度变化趋势、提高预警时效性的模型,一定程度上推进了在地震初始破裂阶段预测震级可能性方面的研究。