爆源参数反演在爆炸现场痕迹分析中是重点关注的问题。为了从爆炸现场痕迹数据中获得爆源参数信息（爆源药量、爆源埋深/悬空高度），本文以爆炸产生的痕迹数据为基础，采用数据驱动的前沿技术（广义神经网络GRNN、粒子群PSO、支持向量机SVM、以及非线性非稳态信号分析算法HHT/EMD）建立了基于爆炸现场痕迹反演爆源参数的方法。最终将这些方法应用于爆源参数反演系统软件中，并得到初步应用。本文主要研究内容和主要成果如下：一、基于非线性回归的数学理论，将广义神经网络引入到对土介质炸坑痕迹反演爆源参数的模型构建中：以炸坑直径与深度、土壤类型作为GRNN的输入层，爆源药量与埋深作为GRNN的输出层，进行模型训练与构建，并进行了实验验证。与传统经验公式反演出的结果进行了比较，粘土、沙土、沙粘混合土壤介质中的炸坑痕迹反演爆源药量和爆源埋深的精度有明显提高：基于GRNN的炸坑痕迹反演得到的药量及埋深相对误差在30%以内；建立的算法对药量及埋深的反演误差平均值分别为：15.41%，16.93%，与传统经验公式相比精度均有明显提升。二、建立了分维数值与爆炸地震波幅值衰减指数的关系，并针对近年来对爆炸地震波振动信号进行能量和频谱特征分析常用的数据处理方法EMD/HHT进行了改进。通过PSO-SVM组合模型的应用与优化，有效地解决端点效应，提高信号分解的准确度和可信度；并利用改进的EMD/HHT方法找到了爆炸地震波信号的局部时间尺度本征信息，反演了微差爆破中的微差延期时间。同时，基于GRNN建立了根据爆炸震动参数反演爆源参数的方法，确定了爆源药量与震动峰值速度、爆心距的隐式非线性关系，并将反演结果与实测结果进行对比分析，反演药量的误差平均值由萨道夫斯基经验公式的51.57%提高到了13.32%。三、构建了基于爆炸现场的玻璃痕迹反演爆源参数的方法。根据建筑常用的平板玻璃的几何特征量（玻璃长、宽、厚度）和爆心距，利用神经网络建立爆源药量反演算法，并进行了实验验证，结果表明爆源药量反演误差平均值从萨道夫斯基经验公式的51.15%提高到了19.3%。同时，对反演中玻璃破坏的临界压力数据库表，利用PSO-SVM的数据延拓方法对小厚度尺寸玻璃所能承受临界超压值进行了补充，为后期玻璃破坏临界超压数据库的使用提供了数据保障。四、基于单类痕迹反演，开展了基于爆炸现场多类痕迹系统地反演爆源参数的探索研究，初步建立了综合爆炸现场三类主要痕迹因素（炸坑痕迹、玻璃痕迹、爆炸震动记录）反演爆源参数的方法，包括：炸坑—玻璃综合反演爆源参数、炸坑—爆炸震动综合反演爆源参数和炸坑—玻璃—爆炸震动综合反演爆源参数的方法。分别将三因素反演效果与各自单因素反演结果进行对比，结果表明，综合三因素反演精度高于单因素反演。五、本文将上述三种单因素反演方法以及三种多因素反演方法应用到软件“爆源参数反演系统”的核心模块“爆源特征反演分析”中。该软件是当前和未来爆炸案件侦破的重要手段，为调查人员及相关专家等提供了爆炸现场分析支持工具。本文研究工作的主要学术贡献在于将数据驱动理念与技术引入到由爆炸现场的各类痕迹数据获取爆源参数信息的过程中，提出了多种爆源参数反演方法，并经检验与验证比传统方法具有更高的精度，对于爆炸现场分析具有实用意义，将为爆炸案件的分析与侦破工作提供技术支持。