本课题源于导师的国家自然科学基金项目“基于连续震源的煤层反射式槽波精细探测理论研究”,旨在完成对弹性波回波的特征提取与分类识别,为基金项目中弹性波在实际煤系地层中的探测提供基本理论支持。利用小波包分解与统计分析相结合的特征提取算法对地质回波信号进行特征提取。该算法首先采用小波包分解方法对地质回波信号进行四尺度分解;然后结合统计分析方法计算小波包分解后第四尺度上的16个小波包系数的奇异值、标准差和最大值,共求得48维小波包系数统计特征并由此构成地质回波信号的特征空间。为了尽可能地提高地质回波信号分类识别的效率和准确率,本文利用遗传算法优化BP神经网络的特征选择和分类算法对地质回波信号进行特征分类。通过遗传算法对地质回波信号进行特征选择,将48维地质回波信号特征降至26维。同时采用遗传算法对误差反向传播神经网络分类器的权值和阈值进行优化,将降维得到的地质回波信号特征输入到分类器中进行训练和预测,从而实现对中国地质科学院地质科学数据共享网数据库中四类地质信号:断层、陷落柱、富水区和采空区的分类。测试集的识别准确率达到了 94.17%,平均灵敏度、平均特异度和平均阳性预测值分别为94.17%、98.28%、95.80%。最后,通过基于STM32F103RCT6的地质回波信号采集实验系统对四类回波信号进行采集,并用其进行特征提取和分类算法验证。识别准确率达到了97.00%,平均灵敏度、特异度及阳性预测值分别为97.00%、98.99%和97.08%。实验结果表明本文采用的特征提取算法能够有效地提取稳定的地质回波信号特征,并通过遗传算法优化的神经网络分类器实现了对四类地质回波信号的高精度分类,证明本文设计的基于遗传算法优化BP神经网络的分类方法可以有效地用于地质特征的识别,对于煤田勘探、地层探测具有重要的意义。