地震发生后将产生纵波（P）、横波（S）两种类型的地震波,其中纵波传播速度大于横波传播速度,而横波对地表造成的破坏远大于纵波,因此当地震发生到破坏性地震波到来之前存在着时间差。地震烈度是衡量地震对震源周围地表造成破坏的程度。由于地震P波初始信息（加速度、速度）与最大地震烈度之间存在着映射关系,因此在P、S时间差内,利用震源地周围观测台站观测到得P波初始信息对最大地震烈度进行预测,并先于破坏性地震S波到来之前将地震烈度信息发送到震源地周围,提醒人们提前做好防灾工作,对于减少人员伤亡和财产损失,具有巨大的价值。地震观测台站有强震仪和GNSS两种类型,强震仪观测频率高,但是易发生基线漂移、饱和现象,而GNSS可以对位移量进行直接观测,不会发生饱和、漂移现象,但是采样频率通常比较低,因此在进行地震观测时两种类型台站都具有各自的局限性。LSTM作为一个具有上下文时序记忆的深度学习框架,已经广泛应用于具有复杂性、周期性的地震波、GNSS序列预测等领域。因此,本文将围绕地震观测台站观测的P波初始信息（加速度、速度）与最大地震烈度之间的关系,对地震烈度预测进行分析研究,所做主要工作如下:（1）在已有对地震P波初始信息与地震烈度关系研究的基础上,提出了基于多变量LSTM与KNN组合的地震烈度预测方案,并利用九寨沟震例高频GNSS数据和强震仪数据对该方案进行了验证。（2）针对GNSS观测数据采样频率低,而强震仪易发生基线漂移、饱和的问题,利用卡尔曼融合算法对九寨沟强震仪观测数据和附近GNSS观测数据进行融合,结果表明,融合得到的数据既能表征局部信息又有效避免了严重饱和的现象。（3）提出一种基于多变量LSTM的地震纵波（速度、加速度）时间序列预测方法。利用九寨沟震例武都站（GSWD）、岷县站（GSMX）、平武站（GSPW）数据对预测模型进行检验。以RMSE作为评价指标对预测模型预测效果进行评价,结果表明,多变量LSTM模型在预测加速度、速度等地震参数时,RMSE值均低于ARIMA和单变量LSTM结果。（4）通过分析地震纵波速度、加速度数据和烈度特征,提出一种基于KNN的地震烈度预测方法。将不同观测站点地震P波参数（速度、加速度数据）作为输入数据去预测各站最大烈度值。实验将GSWD站、GSMX站、GSPW站数据代入预测模型,结果表明,最大烈度与真实最大烈度均相差小于1度。利用滑动预测原理设计时间步为10秒、30秒的多变量LSTM地震参数时间序列预测方案,实验结果表明,时间步为10秒的速度、加速度预测准确度高于时间步为30秒的准确度,相应的烈度预测也一样。其中平武站（SCPW）选用时间步为30秒时,预测烈度值与实际烈度值最大相差2.5度,选用时间步为10秒时,预测烈度与实际烈度值最大相差1度。