本文实现Rawles等(2015)提出的一种基于最近邻算法的P、S震相拾取方法,并应用于2008年7月1日至7月31日之间的汶川及周边地区的地震的P、S震相的拾取。最近邻算法(KNN)是一种成熟的机器学习方法,由Cover等于1967年提出,基本思路是由与待分类样本在特征空间中最相邻的若干样本的类别来决定该样本的分类。本文方法通过滑动时间窗计算取决于窗口内数据与正反例集的欧几里得距离的得分函数,并以指定阈值拾取结果。本文从实验结果出发,对台站数据信噪比、阈值选取、正例集构造、震中距、震级、震源深度等可能对拾取结果数量和到时准确性产生影响的因素进行分析。结果表明台站数据信噪比对于地震目录事件的准确拾取率无显著影响;拾取阈值与拾取数量和到时偏差都呈现负相关关系;拾取结果的准确性随正例集尺寸增长而迅速保持在较高的水平,当正例集尺寸≥10时,P震相拾取的平均准确率可达95%,S震相可达80%。本文方法对P震相的拾取表现尤为稳定,其准确性不随震中距增大、震级减小或震源深度增加而出现显著下降;对S震相的拾取准确性随震中距增大和震级减小而有所下降,并在波形数据的信噪比较低时有所下降,不过总体表现尚为稳定。地震学领域的发展和机器学习领域的发展是相互影响相互促进的。近些年许多研究机构发布了多款机器学习框架,其中包含开源的机器学习框架,给相关研究人员提供了很多便利。本文选取有代表性的谷歌发布的Tensor Flow框架,简析框架结构,并在该框架上实现算法模型,实验结果表明基于Tensor Flow的静态计算图模块可大幅提升运算性能,最高可达传统运算平台的性能的6倍。近年来宽频带地震设备广泛布设,大量的波形记录和逐渐增加的数据产出量,使得地震学已经步入大数据时代。将“时髦”的Tensor Flow与地震数据处理相结合,可以充分发挥前沿机器学习框架的高性能、高扩展性、易优化等优势,是一项有益的尝试。