近年来,地球板块的活跃运动造成地震灾害频发,给我国带来巨大的经济损失和人员伤亡。地震动衰减关系为结构抗震设计、地震风险评估等防灾减灾工作提供了重要的理论支持,对减少地震灾害带来的损失具有十分重要的意义。当前主要采用传统方法与人工智能方法进行地震动衰减关系的预测。而这两种方法都有一定的局限性,传统方法由于受到统计回归的限制,预测模型整体精度较低,人工智能方法由于缺乏物理意义,造成预测模型鲁棒性较低。本文将在此基础上提出一种基于人工智能与物理公式混合的地震动衰减关系预测方法,该方法既能保留人工智能方法精度较高的优势,又能在神经网络中结合包含物理意义的传统经验公式,从而提高预测模型的泛化能力。本文主要研究内容如下:（1）提出一种结合人工智能与物理公式的地震动衰减关系预测方法,并确定该方法的具体实施步骤。此方法利用Pytorch框架构建神经网络,在网络构建过程中结合传统的地震动衰减关系,将神经网络中的回归系数设置为具有梯度更新功能的变量,通过神经网络的训练迭代更新回归系数,得到最优系数。最终建立鲁棒性好、精度高的地震动衰减关系。（2）建立基于混合方法的CB14模型的地震动衰减关系。与传统预测模型对比发现:混合方法的各项性能指标均优于传统方法。基于混合方法的衰减曲线能较好地体现大震饱和、近场饱和等地震动衰减关系的客观规律。事件间、事件内残差整体上分布较为密集对称。基于混合方法的预测模型事件间、事件内残差标准差,总残差标准差均低于CB14模型。整体上混合方法建立的地震动衰减关系精度高、鲁棒性好。（3）建立基于混合方法的川滇地区地震动衰减关系。收集川滇地区的历史地震动记录,建立川滇地区地震动数据库,结合该数据库利用混合方法建立川滇地区地震动衰减关系。结果表明该地震动衰减关系残差分布对称密集,事件间、事件内残差标准差,总残差标准差均低于传统方法,整体精度较高。大部分地震动数据点均落在MW=4.5与MW=7.5的衰减曲线之间,说明本文建立的衰减关系在川滇地区适用性较好。