地震预警是一种防灾减灾技术,可以有效地减小地震带来的人员伤亡和财产损失。地震定位是地震学的基本问题,也是地震预警中关键的一个环节。快速准确的地震预警定位是地震预警成功的重要前提。卷积神经网络仿造生物的视知觉(visual perception)机制构建的机器学习模型,广泛应用于图像识别与检测,近年来有将卷积神经网络及全卷积神经网络应用于地震定位的相关研究,相比传统地震定位方法,该方法可以直接从原始波形中提取特征信息,不依赖准确的P波到时,且定位结果有较高精度。本文采用了全卷积神经网络的方法,并采用了波形经短时傅立叶变换得到的时频数据作为网络的输入来对地震事件进行定位。本文所做的主要工作如下:(1)搜集了2012-2018年台湾地区测震台网记录到的1088个地震事件,经校对得到准确的震源位置,并考虑到数据质量筛选得到272个地震事件用于全卷积神经网络方法的实验。对于搜集和筛选好的波形数据,通过STA/LTA法和AIC法对震相P波到时进行了自动捡拾,并自P波到时前10s至后10s每间隔2.5s截取一次波形,截取后的波形经短时傅里叶变换后取模得到时频数据输入,以包含真实震源信息的三维数组作为标签,生成事件样本。使用交叉验证法,将272个地震事件均分为16个子集,每个子集包含17个地震事件。(2)构建全卷积神经网络,根据输入数据的形式和待解决的问题设置各层卷积层、池化层、反卷积层,采用均方差损失函数并引入L2正则化项,使用小批量梯度下降法和Adam优化算法,训练过程中采用dropout和shuffle。使用TensorFlow深度学习框架训练全卷积神经网络并使用测试事件进行测试,每次取15个子集的并集作为训练集,剩余的1个子集作为测试集,共训练和测试16次,对所有测试结果的定位误差进行统计和分析。(3)对于全卷积神经网络定位方法中的部分参数进行了讨论。选取了高斯分布半径、卷积核大小、初始学习率、正则化项权重等参数。控制其它各参数不变,研究各参数变化对最终训练得到的模型的测试结果的影响。同时,针对台站到时延迟和钟差的影响,对部分台站进行延迟处理后进行测试,测试结果仍具有较好的精度,证明全卷积神经网络定位法适用于有一定范围的延迟和钟差的情况。