声发射是指材料中局域源快速释放能量而产生的瞬态弹性波的现象。而在矿山开采过程中,布置一定数量的换能器来接收岩体的声发射信号,再通过实时监测、计算可以实现对声发射的源点进行定位。但是这种检测方式的精度受到岩体本身的物理属性、周围环境载荷压力与作用方式以及其所处地理环境等因素所影响,因此定位结果与实际声发射源点坐标往往有较大的偏差。同时从定位方法上来讲,利用数学计算进行定位的传统方法无法考虑到工程实际中情况的复杂性,单一的计算模型无法适用于多变的工程环境,综上,目前进行声发射源定位的精度普遍较差。针对这一问题,本文利用实验室进行断铅试验,探索数据驱动模式下声发射源点定位方法。为降低模型数据需求量,研究不同面带来的不同声发射信号传播方式对声发射信号本身波形、频谱特性以及能量特性上的差异。根据研究出的差异性作为判据,使用Python编程编写判据代码,对接收到的声波数据进行预处理和判断,确定其所在平面,将机器学习模型的目标维度从三维降低至确定平面的二维定位,使数据需求量降低的同时提高定位精度。为实际探寻数据驱动模式下声发射源点定位方法提供一些技术依据,本文所做主要研究工作与成果如下:1)使用PCI-2型声发射测试仪,对砂岩和花岗岩两类岩石各面各断铅点的声发射信号进行收集,通过对波形和进行短时傅里叶变换之后频谱研究,探究了砂岩和花岗岩两类岩石声发射信号在时域和频域的差异性,分析了砂岩和花岗岩通过信号区别的方法,结果表明:砂岩和花岗岩频谱差异性集中在对立面XOZ-面,砂岩信号表现形式为波动信号,而花岗岩信号表现为突发型信号。2)利用小波变换和傅里叶变换方法,对砂岩和花岗岩各点的声发射信号进行波形分解并导出各分解层级的频域信息。分析了不同面声发射信号在各层级的差异性,由此探讨利用声发射信号数据进行不同面区分方法,分析了不同信号传播方式对其性质的影响。结果表明:随着信号源从正面到侧面再到对立面的变化,花岗岩和砂岩各层级幅度值逐渐降低,其中花岗岩幅度下降程度相较于砂岩更大。3)利用能谱分析方法,开展不同换能器布置点对侧面声发射信号能谱系数分布差异性研究,分析了换能器距离变化与信号能谱系数分布之间的关系。由此探讨换能器布置点两侧面的声发射信号差异判别方法。结果表明:随着换能器与侧面距离的增加,花岗岩能级分布会从d4、d5分散分布转换为d5集中分布;砂岩能及分布会从d4集中分布转换为d4、d5集中分布。4)开展基于迁移学习和差异性分析的机器学习网络模型建立,针对回归模型目标进行研究,优化了VGG-16模型以适应本文机器学习的回归目标,添加了新的回归全连接和模型组合层以开展本文机器学习的回归目标,进行了各面模型的训练和测试,探讨了模型回归误差与数据样本之间的关系,实现了回归预测可视化图像。结果表明:回归定位精度在正面和侧面效果较好,而在对立面定位精度较差。对效果较差的对立面进行分析,认为数据集的质量对精度影响最大。