地震自动检测和震相到时精确拾取是地震数据处理的关键步骤,是地震精确定位和地球内部结构研究的基础数据。在过去的几十年中,随着地震台站和地震频次的增加,依靠人工分析地震事件已无法满足地震数据快速处理的需求。由于微震事件发生频次更高,且信噪比较低,很容易被误认为是噪声而漏检。此外,在地震内部结构成像研究中,对震相到时的准确性要求较严格。为了更好的检测微小地震,迫切需要发展自动处理方法。近年来,利用深度学习算法检测地震得到了快速发展。然而,有关数据处理流程和神经网络调参方面的研究却较少。本文以西昌台阵的8321个近震数据为例,详细介绍了利用深度卷积神经网络检测地震的数据处理流程,包括地震数据预处理、模型训练、窗口长度、网络层数和学习率等关键参数对检测结果的影响,并将训练得到的最优模型,应用于事件波形和连续波形的检测。研究表明,数据预处理、数据增强,可以提升模型的检测精度和抗干扰能力。用于模型训练的波形窗口长度可近似于S-P到时差的最大值。不同网络层数（5～8层）对检测结果的影响不大,5～8层的网络深度都比较适于地震检测。对于地震检测,学习率设为10^-4～10^-3都是较为合理的选择区间。卷积神经网络检测地震的能力也与选择的概率阈值有关,通过绘制精确率—召回率变化曲线,可以为选择合适的概率阈值提供参考。此外,还利用首都圈的数据进行对比分析,同样发现训练集的波形长度会影响检测结果的准确率。利用首都圈数据训练的模型和汶川余震数据训练的模型检测西昌台阵数据,发现准确率都有所降低,表明模型的泛化性有待提升。以人工拾取的到时数据为参考,比较了Phase Net、RNN和AR-Picker三种方法的检测效果。发现Phase Net和RNN的到时拾取精度优于AR-Picker,表明深度学习方法在到时精确拾取方面有较好的应用前景。Phase Net的到时拾取精度最高,与人工拾取的P波到时差异平均值为0.06s,标准差为0.11s,与人工拾取的S波到时差异平均值为0.13s,标准差为0.16s。RNN拾取的到时精度略差,可能与本研究使用的训练集规模较小有关。增加训练数据集的规模,并选取合适的参数,RNN震相拾取精度可能会有较大提升。