近30年来,地震测报技术始终是各国科学家的研究热点,然而截止目前,地震预警仍是一个世界性难题。地震预警必须同时预测发震时间、地点和强度,由于地震发生的情况复杂,部分地震能够被有效预警,但亦存在一些地震发生而无法预警。据不完全统计,当前全球地震预警的准确率仅为20%,因而,高效、准确的地震预警方法及技术发展迫在眉睫。基于地震数据之间的相似性,针对如何利用已经积累的大量地震数据进行地震预警,本文开展了基于迁移学习模型支持向量机的地震震相识别及到时拾取研究。论文的主要研究内容及进展如下:1.分析Р波、S波到时和地震信号记录特征属性间联系,研究地震震相拾取相关的特征属性。分析和研究支持向量机的核函数及权重因子,探讨了支持向量机的泛化能力,并给出了提高泛化能力的方法,实现了地震时序信号的函数模型构建,大大提高了自动拾取Р波、S波震相的精度。2.研究与设计地震震相拾取的支持向量机模型结构。通过调整核函数和权重因子,解决了实验中存在的复杂度与泛化能力问题。并对设计支持向量机模型迭代训练,调整机器结构和参数,最终实现了机器的识别与拾取能力;基于liunx系统的Matlab与Tau P软件进行开发,完成了地震震相识别与拾取模型的迁移学习训练与微调测试,引入传统震相识别方法,开展了地震预警震相识别与到时拾取的验证实验和对比实验,探索本文方法在实际地震预警中的可行性及有效性。研究表明,支持向量机算法具有处理高维度、非线性的分类问题功能,可很好的学习到地震波中波形变换规律。使用迁移学习与支持向量机算法相结合进行实验,不需要理解特征属性间复杂关系,不需要过多的约束条件与前期人工的参与,便可以得到很理想的模型,适应不同地震环境的地震数据。迁移学习方法具有高效和准确的特征,解决了传统震相拾取方法中工作量大、效率低、耗时高和准确率较低的问题。