随着人类在地球上的大范围以及高强度的活动,地震观测数据的质量受到严重的影响。各地的地震监测台网所记录的地震信号中包含许多非天然地震事件(爆破、塌陷)的信号。若这些非天然地震的信号不能及时的剔除,就会对地震学的研究造成较大的影响。但是海量的地震监测信号,如果都通过人工去一一识别分类,那么就会浪费大量的时间与精力。因此实现高效、高精度、泛化性能强的震源类型识别分类算法在地震大数据时代下显得尤为重要。根据地震监测台站所采集的地震信号分类识别出震源类型(天然地震、爆破、塌陷)是本研究中的主要内容。首先,本文在传统的地震特征提取算法的基础上,实现了一种新的特征提取算法。同时考虑到传统方法仅仅使用三分量数据中的单个分量数据,可能会造成信息的丢失,因此将三分量数据进行拼接,并使用BP神经网络进行震源类型识别。其次,本文针对通过特征值进行震源类型识别显著性不高的问题,提出了一种ResNet深度增强模型,该方法结合了残差模块和SE模块的优势,设计了一种探寻图像特征通道间的相关性,进行自适应地重新校准通道之间的特征响应。并分别以波形图与频谱图作为样本数据进行模型训练。最后,本文实现了一种面向震源类型识别的集成学习方法,设计了一种集成策略将以特征值、波形图和频谱图作为训练样本的基学习器进行集成组合,给出最终的震源事件类型。与单个基学习器的识别算法相比,最终性能有一定的提升。并使用不同地区的监测数据进行验证,发现该方法具有良好的泛化性能。