随着社会的发展,各类工程爆破作业大幅度增加,如果不能及时将天然地震波形和人工爆破波形区分开,会严重混淆地震目录,对地震学研究造成影响。地震波形属于非线性、非平稳信号,希尔伯特变换在分析地震波形信号时,瞬时频率会出现没有任何物理意义的负值。因此,1998年美国国家工程院士N.E Huang等人提出了经验模态分解算法,称之为希尔伯特-黄算法。该方法彻底摆脱了线性和平稳性的约束;不需要设计基函数,能够根据信号自身的特点,自适应产生“基”,这是其最突出的特点-自适应性;该方法不再受Heisenberg测不准原理的制约,可以在时间分辨率和频率分辨率上同时达到比较高的精度。因此,希尔伯特-黄变换方法非常适合分析非线性、非平稳地震波形信号,将其应用到天然地震和人工爆破波形数据的分类研究中,能够使得在信号分解、提取信号时域、频域、时频谱特性等各方面得到不同程度的突破。本文利用希尔伯特-黄变换提取地震波形特征值数据集及进行事件震源类型识别。主要研究内容和开发工作如下:（1）采用经验模态分解将原波形信号分解为有限个内模函数和1个残差函数,对原波形、前7个内模函数和1个残差函数分别提取26个时域统计特征,组成9个特征组（命名为Q0,Q1,...,Q8）;再计算前7个内模函数的幅度能量比得到7个能量比特征、和选择前4个内模函数的26个时域统计特征中的8个特征共32个特征组成一个有39个特征的特征组（命名为Q9）。对这10组特征样本集进行了单组、多组的特征组合事件类型识别实验。（2）将原实验波形在幅值最大处向前、向后各截取1000个采样点,得到2000个采样点的波形数据,将其进行希尔伯特-黄变换,得到三瞬属性（瞬时频率、瞬时振幅、瞬时相位）,继而得到Hilbert谱图（时间-频率-幅值联合）。本文分别提取变换之后前三个内模函数的均值、方差、峰值、峭度、香农熵5个时频特征,组成时频特征组。（3）利用对称Kullback-Leibler距离对提取的时域特征组、时频特征组,随机选择部分（30%,50%,70%或90%）事件所有观测台站的3分量波形相应特征组的特征作为训练集的同时又作为测试集,以事件为识别单元进行分类识别,反复进行1000次实验。结果表明提取的时域特征中,2^ndIMF提取的时域统计特征在选择90%的事件时,正确识别率大于90%;时频特征组实验结果表明,随机选择部分（30%,50%,70%或90%）事件的识别率均达到了95%以上。这说明,内模函数提取的时域特征及变换后的内模函数提取的时频特征都具有良好的区分识别能力,可为由波形识别事件源类提供更为有效的特征。