我国是一个地震多发的国家,频发的地震灾害给人类社会带来了巨大的人员伤亡和经济损失。同时台站的建设规模迅速发展,也导致收集到的大量地震动记录亟需处理。然而地震动记录的质量不一,当前方法难以进行快速准确地处理。地震动数据处理一般由异常波形识别和滤波两部分组成。当前异常波形识别方法主要基于阈值进行单个异常模式的判断,效率较低且依赖经验,难以对多种异常模式同时进行分类。当前滤波方法均依赖于滤波器,滤波结果的准确性和稳定性严重依赖于截止频率和滤波器阶数、波纹系数等参数的确定。本文将异常波形识别任务转换为图像分类问题,通过学习波形特征进行多元模式识别。为有效进行信噪分离,本文提出基于GAN的滤波模型,主要研究内容如下:（1）通过对地震动加速度记录波形特征的总结,确定异常波形类别和判别准则,然后在STEAD数据集的基础上建立地震动异常波形数据库。通过对地震动记录进行标准化和可视化处理,将异常波形识别任务转化为图像分类问题。基于Res Net-50残差网络学习图像特征,通过不同工况的训练结果完成网络超参数的调试,解决地震动记录异常波形的多元分类问题,最终平均总体准确率达到94.5%。与已有的异常检测方法相比,本文方法可以实现多元异常模式的快速准确的识别和分类,为后续的地震动记录滤波处理提供数据基础。（2）筛选STEAD数据集中的高信噪比地震动加速度记录和INSTANCE数据集中的噪声加速度记录,并进行随机调幅叠加,建立含噪地震动数据库,对所有信号进行重采样、补零、积分、小波包变换等预处理。基于GAN和U-Net网络构建滤波处理网络,在时频域内学习地震动信号和噪声信号的幅值、频率和波形形状等特征,实现信号与噪声的分离。（3）为了说明本文滤波模型的泛化性和稳定性,建立不同地区和不同频率分布的含噪地震动数据集,使用该模型进行滤波处理。首先以意大利INSTANCE数据集为基础建立合成含噪地震动记录数据集,然后建立Ki K-Net真实含噪地震动记录数据集,并对所有信号均进行相同的预处理。将本文滤波模型应用于上述数据集,用加速度、速度和位移时程的幅值和波形形状等多项指标评价模型的滤波效果。并将滤波结果与当前滤波方法所得结果进行对比分析,结果表明本文方法具有更好的稳定性和鲁棒性。