精确而快速的震相走时拾取是多种地震学研究的基础,对震源定位,波形反演,走时层析成像,地震快速预警等研究有着重要的意义。随着全球台站数目的增加,地震数据总量爆炸性增长;同时台站记录中包含着大量天然或人为噪声,人工挑选走时已经无法满足一些研究的需求。现已有多种的自动方法可以完成这一目标,但都存在一定的局限性。精确、快速、具有一定抗噪的走时自动拾取方法的研究是有必要的。本文基于监督学习与无监督学习,使用了两种机器学习分类算法拾取震相走时。分类算法利用信号与噪声之间在频率、能量、统计学特性上的差异,对波形数据进行分类,信号与噪声类别的分界点判断为震相走时。为了更好地检验新方法的精度,使用已知准确震相走时的10000条模拟数据进行走时拾取测试,模拟数据由雷克子波与高斯白噪声叠加而成。将走时拾取的结果与传统的自动拾取走时方法(长短时间平均法以及波形互相关法)的结果进行对比。并使用实际地震数据—Hi-climb项目的30个高质量台站的地震数据进行P波走时的拾取。在噪声水平增大到信号完全被噪声淹没的情况下,使用符号函数对波形进行处理,探究其对新方法走时拾取精度的影响。结果表明,相对于传统方法,本文运用的两种机器学习算法能更加准确地拾取走时,拾取走时的误差位于0附近的波形条数百分比明显高出传统方法。叠加的噪声振幅较大,肉眼已无法准确地拾取走时,机器学习分类算法仍能准确快速地拾取震相走时,显示了良好的抗噪性。在强噪声情况下,用符号函数处理波形有助于提升机器学习分类算法走时拾取的精度。