随着地震处理数字化的快速发展和地震台站的大量建设,震相到时拾取在地震科学领域扮演着越来越重要的角色。然而地震波记录是一种伴随复杂噪声干扰的类随机波形,同时随着地震记录数据量的指数级增加,对震相自动拾取技术提出了更高的要求和挑战。近些年以来,深度学习技术被广泛应用于震相拾取等领域,它突破了传统拾取方法固有的局限性,为震相到时拾取提供了新方法。本文主要对高效率、高精度的拾取震相到时问题进行研究和分析,在简要分析了已有的自动震相拾取方法以及研究卷积神经网络与长短时记忆网络后,构建了基于卷积神经网络的震相定位器与基于长短时记忆网络的震相拾取器,在此基础上提出了一种新的到时拾取方法。本文提出的到时拾取方法分为震相定位与震相拾取两个阶段。震相定位阶段采用40秒滑动窗口将待拾取地震波分解为无重叠的若干片段波,通过震相定位器对片段波进行二分类,从而在大段待拾取地震波中快速地提取出事件波。震相拾取阶段将到时拾取问题看作三分类问题,将40秒事件波划分成400帧,利用震相拾取器将每一个0.1秒的帧分类为P波、S波或非P波S波,同时构建P波与S波各自的信噪比序列。以第一个被分类为P波或S波的帧所在时刻为标准,在P波或S波信噪比序列中的对应标准时刻寻找局部信噪比最大值,最终将最大值对应的时刻作为P波或S波的到时。本文对提出的神经网络拾取方法与传统方法AR picker进行了命中率与精度两方面的对比,在较容易拾取的P波上,神经网络方法与AR picker方法在命中率与精度上都达到了较高水平,而在较难拾取的S波上,神经网络方法在命中率和精度上都优于AR Picker方法。