地震前兆观测数据是分析预报地震的基础。经过多年发展,前兆观测系统实现网络化和数字化,数据产出精度和采样率提高,导致数据量激增,人工、半人工的数据处理方式无法满足实际工作需求。另外,高精度、高频采样数据中携带了更多干扰信息,导致数据变化的形态、异常的种类更加多样,增加了数据处理工作的难度。前兆观测数据异常识别是进行地震预报和相关地球物理研究的重要依据,而各种干扰因素引起的“异常”会影响真正的地震异常。因此,在利用前兆观测数据进行地震预报与其他分析与应用之前,需要对这些“异常”数据进行前期处理,该工作已成为前兆数据生产过程中的一项常规性工作。但由于数据量巨大,人工处理检测数据的工作方式难以满足实际工作需求,因此,需要研究针对前兆数据特点的数据异常自动检测方法。本文在分析了前兆观测数据特点的基础上,主要研究了数据挖掘中的数据预处理技术；结合前兆数据特点,设计了异常检测方法；基于大数据思想,提出了一种针对异常检测结果进行群体异常判定的多测项检测结果综合应用方法。本论文研究内容从数据处理、数据挖掘到结果应用,形成一套完整的前兆数据分析应用方法。本文的主要工作有以下几项：(1)在数据预处理环节,重点针对前兆观测缺数、断数情况,研究适合前兆数据特点的数据插值方法。由于前兆数据种类多、形态变化复杂,常规插值方法不能满足所有测项的插值精度要求。因此,本文设计了一种利用ARMA预测模型进行数据插值的方法,效果较其它方法好,而且可以对连续缺数情况进行插值。(2)借鉴数据挖掘中的异常检测算法,结合前兆数据特点,设计了一种基于模式的前兆异常数据检测方法,利用该方法可以快速检测数据序列中大幅突跳、阶跃以及其它比较明显的异常数据,通过参数设定可以控制异常数据的识别情况。对实际观测数据应用该方法进行检验,结果表明该方法对于大量数据的异常检测效率很高,可以解决大量数据人工检测效率低下的问题,对前兆数据的预处理以及应用工作具有积极意义。(3)借鉴大数据分析思路,提出了一种多测项异常检测结果综合应用的分析方法。通过对大范围、多测项、长时段观测数据异常检测结果的叠加来识别群体异常,进而可以分析群体异常与大的系统事件的相关关系。通过对近几年几次中强地震的实例分析,表明前兆群体异常与系统性事件之间可能存在一定的相关性。为前兆数据的创新性应用提供了一种新的思路。本文的特色在于研究内容针对目前前兆数据实际应用中存在的问题,研究结果具有很好的实用性。自动异常检测方法可以大幅提高数据的处理效率,解决前兆数据自动检测方法较少、不能满足实际应用需求的情况；将大数据研究思路引入到前兆数据分析应用中,从整体上考虑问题,避免对局部细节纠结,在前兆数据分析应用领域对数据新的应用模式进行了尝试和探索。