近年来,地表振动信号处理技术在众多场合被广泛使用,如智能交通、地下管网防护以及智能安防等领域。但是,对于地表振动信号处理,传统方法通常只能解决单一问题,缺乏一种通用性强的识别定位算法,以满足日益增长的应用需求。本文研究内容为地表振动信号识别定位算法,拟解决周期、非周期振动信号的振源识别、定位问题,使之能适用于各种应用场合。本论文主要的研究内容及研究成果有:(1)首先基于振动信号传播特性,研究了地表振动信号能量分布的变化与传播距离之间的关系。基于语谱图表征信号能量分布的原理,提出了 SPEC特征及其特征提取算法,SPEC特征表征了信号能量分布的变化信息。与地表振动信号现有的FBED特征相比,SPEC特征提取算法复杂度低,且可同时适用于周期/非周期地表振动信号的表征。基于SPEC特征,结合KELM算法作为分类、回归模型训练算法,提出了 KELM+SPEC地表振动信号识别定位算法。与传统方法相比,KELM+SPEC算法是一种通用性强的识别定位算法,可同时适用于周期/非周期地表振动信号的振源分类与传播距离预测;(2)本文进一步对定位算法进行了改进,提出了一种基于迁移学习和主成分分析融合特征的定位算法。首先将振动信号进行可视化为语谱图图片,基于迁移学习算法,利用预训练的CNN网络AlexNet提取信号图像特征,将信号图像特征与SPEC特征进行PCA融合降维,所得新的融合特征可表征信号能量分布和图像特征的融合信息。基于新的融合特征,采用KELM作为回归模型训练算法,提出一种改进的定位算法;(3)为验证所提算法性能,本文进行了多组对比实验,在振源识别和定位精度上与现有方法进行了充分对比。为此,本文采集了多个距离下的不同种类地表振动信号构建原始数据集,其中包含2种周期振动信号与3种非周期振动信号。实验结果表明,相比于传统方法,本文所提KELM+SPEC算法在振源识别准确率和定位精度上均有明显的提高,且改进后的定位算法,其距离预测的精度相比之前有大幅提高。