现代地震学的发展对高效地震自动检测方法需求越来越强烈。随着深度学习技术的发展,各种基于神经网络搭建的地震监测与震相拾取模型,提高了地震检测的计算效率,减少了噪声数据的影响,同时降低了拾取的错误率。我国相关单位在地质构造复杂的西南地区水系上修建大坝和水库,可能带来潜在的地震危害。在此背景下,基于深度学习技术,对白鹤滩水库库区地震快速且高效地进行震相拾取与地震定位研究,对识别和分析水库诱发地震提供了重要依据,同时也为蓄水后白鹤滩水库及周边地区的地震研究提供了参考。采用深度神经网络搭建的EQTransformer模型对白鹤滩水库库区34个数字地震台站2016～2018年记录的连续数据进行P、S波震相拾取,并通过REAL进行震相关联和初步定位,然后使用VELEST和hypo DD地震定位算法优化地震位置。研究表明,基于深度学习的震相拾取,与白鹤滩水库地区传统的人工处理方法相比显示出更高的效率,EQTransformer模型可拾取与人工拾取相当的P、S波震相到时,其时间差的均值分别为0.03 s和0.07 s,符合正态分布。REAL初步定位后的地震个数（13815个）接近常规目录（7862个）的2倍,增加的地震关联性较好,丢失的地震大多震级小、拾取的震相个数少。经过VELEST定位和筛选得到12555个绝对定位事件,占REAL目录总数的90.9%,筛选的地震多数位于研究区域边缘位置。最终通过hypo DD获得了7108个高精度定位地震,重新定位的地震事件在水平和垂直方向上展示出清晰分布,分布特点是地震主要位于鲁甸,小江断裂北段,则木河断裂、普渡河断裂、宁会断裂交界处,石门坎,巧家和会泽等地,沿构造分布明显。估算的震级比常规目录中的震级平均低0.27,震级差值集中在0.7以内,最小完备震级由常规目录的ML1.4级更改为ML0.6+0.27级,填补了部分常规目录的震级空白,丰富了研究区域内的中小型地震。中小型地震的高精度定位对于地震层析成像以及后续的地震类型分类具有重要意义,为识别水库诱发地震提供了重要依据。基于深度学习技术快速进行震相拾取与关联,从而高精度地定位中小地震对于分析诱发地震的风险至关重要。