田野文物中埋在地下的古墓葬文物常遭到不法分子的盗掘,这给国家造成了巨大的损失,设计一种便于实施、有效的田野文物保护系统以及入侵事件识别算法就显得极为迫切。由于当前应用较为广泛的视频监控技术、红外监控技术,在保护地下目标时,容易受到气候、人为因素的影响,因此本文设计了一种基于震动信号检测的田野文物保护系统以及两种入侵事件识别算法。对于基于特征提取的震动信号识别技术的诸如短时傅里叶、小波变换等时频域特征提取方法,如果保证了特征的“精确”,则会导致计算结果数据量大,为此,本文设计了一种特征数据量小、便于实施的时频能量比特征提取方法。进一步,为了克服基于特征提取的事件识别方法对不同种类事件进行识别时泛化能力弱的缺点,本文在小波神经网络的基础之上,设计了一种Richer子波神经网络,利用神经网络强大的学习建模能力,对目标事件样本数据进行学习建模,从而实现了识别分类效果的提升。论文主要研究工作为以下几点:1、本文设计了一种基于地下震动检测的田野文物保护系统的总体方案,通过分析入侵事件引起的震动信号的产生机理,以及地下震动信号的传播衰减特性,设计了一种信号采集设备方案,用于采集入侵事件引起的地下震动信号。2、设计了一种基于时频能量比特征的识别方法,该方法首先利用时域分割得到短时信号片段,然后通过对待分类信号的频域分析,得到滤波器组的滤波参数,最后将短时信号片段输入到滤波器组中,通过计算滤波器组的每一个输出与短时信号片段的能量比值得到时频能量比特征。该方法的部分工作可以由硬件实现,可以极大程度的降低计算的功耗,便于在野外环境中工作的设备上实施。实验表明,该特征提取方法提取的特征数据量小,且能够很好表征信号的时频特征;针对挖掘和人步行事件,利用SVM作为分类器进行分类实验时,识别准确率约为94%,且分类所需的时间短。3、在小波神经网络的基础之上设计了一种Richer子波神经网络,该网络包含四个网络层,包括输入层、隐含层1、隐含层2、输出层。其中隐含层1是将Richer子波激活函数代替小波神经网络中激活函数后得到的,隐含层2是采用Sigmoid激活函数的全连接隐含层。实验中采用120个样本进行训练,80个样本进行测试,通过分析网络输出数据的散点分布情况,以及准确率与损失函数随训练次数变化曲线,可以发现Richer子波神经网络在处理震动信号时具有较好的效果,识别准确率最高能达到96.25%,损失函数收敛也较快。本文存在一些不足之处,如基于时频能量比特征的识别算法中,提取信号时频能量比特征时相关参数的选取需要人工分析,不够智能化;基于Richer子波的神经网络对震动信号具有较好的识别效果,但是Richer子波激活函数优于其他激活函数的理论证明尚未完成。且实验中只是针对挖掘和人步行事件进行了识别,未进行多类事件以及多类混合事件的分类实验。